面向日常场景中个性化压力监测的主动强化学习
机器学习
2023-05-02 v1 信号处理
摘要
大多数现有的基于传感器的监测框架假定处理大量可用的标记数据集以训练准确的检测模型。然而，在部署时需要个性化以微调模型的场景中，需要通过与用户交互在线收集特定于个人的数据集。在此阶段优化标签收集对于在给用户施加可容忍负担的同时最大化个性化改进至关重要。本文中，我们考虑基于可穿戴传感器、面向日常场景的细粒度压力检测问题，并提出一种新颖的上下文感知主动学习策略，能够联合最大化我们请求用户标记的信号的有意义性以及响应率。我们开发了一个多层传感器-边缘-云平台，用于周期性捕获生理信号并实时处理，以及收集标签并重训练检测模型。我们收集了一个大型数据集，并表明我们提出的上下文感知主动学习技术分别比随机策略和传统主动学习策略少用了 88% 和 32% 的用户查询，即实现了理想的检测性能。
引用
@article{arxiv.2305.00111,
title = {Active Reinforcement Learning for Personalized Stress Monitoring in Everyday Settings},
author = {Ali Tazarv and Sina Labbaf and Amir Rahmani and Nikil Dutt and Marco Levorato},
journal= {arXiv preprint arXiv:2305.00111},
year = {2023}
}
备注
Accepted paper at CHASE '23