COBRA：基于腕戴式活动监测的远程慢性肥胖管理多模态感知深度学习框架
计算工程、金融与科学
2025-09-05 v1 机器学习
摘要
慢性肥胖管理需要持续监测能量平衡行为，然而传统的自我报告方法存在严重的漏报和回忆偏差，且难以与现代数字健康系统集成。本研究提出 COBRA（慢性肥胖行为识别架构），一种利用腕戴式多模态传感器进行客观行为监测的新型深度学习框架。COBRA 集成了混合 D-Net 架构，结合了 U-Net 空间建模、多头自注意力机制和 BiLSTM 时序处理，将日常活动分为四类与肥胖相关的类别：进食、体力活动、久坐行为和日常生活。在包含 51 名受试者执行 18 项活动的 WISDM-Smart 数据集上进行验证，COBRA 的最优预处理策略结合了频谱-时序特征提取，在多种架构上实现了高性能。D-Net 实现了 96.86% 的总体准确率，各类别 F1 分数分别为 98.55%（体力活动）、95.53%（进食）、94.63%（久坐行为）和 98.68%（日常生活），在准确率上比最先进的基线方法高出 1.18%。该框架展现出稳健的泛化能力且人口统计学方差低（<3%），能够实现个性化肥胖干预和持续生活方式监测的可扩展部署。
引用
@article{arxiv.2509.04210,
title = {COBRA: Multimodal Sensing Deep Learning Framework for Remote Chronic Obesity Management via Wrist-Worn Activity Monitoring},
author = {Zhengyang Shen and Bo Gao and Mayue Shi},
journal= {arXiv preprint arXiv:2509.04210},
year = {2025}
}
备注
19 pages, 4 figures. *Correspondence: [email protected]. Accepted by the IUPESM World Congress on Medical Physics and Biomedical Engineering 2025