用于健康监测的自适应多通道事件分割与特征提取

$\textbf{目的}$：开发一种对数据分布变化具有鲁棒性的多通道设备事件分割与特征提取算法。$\textbf{方法}$：我们引入一种自适应迁移学习算法，从非平稳多通道时序数据中对事件进行分类与分割。该算法利用多元隐马尔可夫模型（HMM）与 Fisher 线性判别分析（FLDA）随时间自适应调整以应对分布偏移。所提算法为无监督的，可在无需事件真实状态 $\textit{先验}$ 信息的情况下学习标注事件。该过程在人病毒攻击（HVC）研究的队列实验数据上进行了说明，其中部分受试者在暴露于 H1N1 流感病毒病原体后出现了觉醒与睡眠模式的紊乱。$\textbf{结果}$：仿真证实所提自适应算法显著优于其他事件分类方法。当应用于 HVC 数据的早期时间点时，该算法提取的睡眠/觉醒特征可预测感染及感染发生时间。$\textbf{结论}$：所提迁移学习事件分割方法对数据分布的时间偏移具有鲁棒性，可用于生成极具判别力的事件标注特征以进行健康监测。$\textbf{意义}$：我们集成的多传感器信号处理与迁移学习方法可应用于众多移动监测场景。