分析可穿戴设备数据集以预测日常活动与跌倒：一项试点研究
机器学习
2022-09-13 v1 信号处理
摘要
医疗保健是人类生活的重要方面。疫情之后，技术在医疗中的应用已大幅增加。文献中提出的基于物联网的系统与设备可帮助面临或经历健康问题的老人、儿童与成人。本文详尽综述了三十九个可用于评估日常活动与跌倒识别系统的基于可穿戴设备的数据集。使用五种机器学习方法即 Logistic Regression、Linear Discriminant Analysis、K-Nearest Neighbor、Decision Tree 与 Naive Bayes 在 python 中对 SisFall 数据集进行了比较分析。数据集以两种方式修改：第一种使用数据集中存在的所有属性原样并以二值形式标注；第二种计算三个传感器值的三轴（x,y,z）幅值，随后用于带标签属性的实验。实验分别在单个受试者、十个受试者和所有受试者上进行，并从准确率、精确率与召回率方面进行比较。本研究所得结果表明 KNN 在准确率、精确率与召回率上优于其他机器学习方法。还得出结论：数据个性化可提高准确率。
引用
@article{arxiv.2209.04785,
title = {Analyzing Wearables Dataset to Predict ADLs and Falls: A Pilot Study},
author = {Rajbinder Kaur and Rohini Sharma},
journal= {arXiv preprint arXiv:2209.04785},
year = {2022}
}