聚类与数据增强提升睡眠评估准确性与睡眠个体性分析
机器学习
2024-10-18 v2 人工智能
声音
音频与语音处理
摘要
近年来，随着健康意识的提高，新方法使个人能够在家中监测睡眠。利用睡眠声音相比智能手表等传统方法具有优势，它非侵入性且能够检测多种生理活动。本研究旨在构建一个基于机器学习的睡眠评估模型，提供基于证据的评估，例如由于入睡后频繁移动导致的睡眠不佳。通过提取睡眠声音事件，使用 VAE 推导潜在表示，使用 GMM 进行聚类，并训练 LSTM 进行主观睡眠评估，在区分睡眠满意度方面达到了 94.8% 的高准确率。此外，TimeSHAP 揭示了不同个体之间有影响力的声音事件类型和时间的差异。
引用
@article{arxiv.2404.10299,
title = {Clustering and Data Augmentation to Improve Accuracy of Sleep Assessment and Sleep Individuality Analysis},
author = {Shintaro Tamai and Masayuki Numao and Ken-ichi Fukui},
journal= {arXiv preprint arXiv:2404.10299},
year = {2024}
}