CovidRhythm：利用可穿戴生理数据提取的生物行为节律被动预测 Covid-19 的深度学习模型
信号处理
2023-01-25 v1 人机交互
机器学习
摘要
为探究深度学习模型能否通过 SARS-CoV-2 病毒引起的人体生理（心率）和休息-活动节律（节律失调）紊乱来检测 Covid-19。我们提出 CovidRhythm，一种新颖的带多头自注意力（MHSA）的门控循环单元（GRU）网络，它结合从消费级智能可穿戴设备被动收集的心率和活动（步数）数据中提取的传感器与节律特征来预测 Covid-19。从可穿戴传感器数据中提取了共 39 个特征（标准差、均值、久坐和活跃片段的最短/最长/平均时长）。生物行为节律使用九个参数（中值、振幅、峰值相位和日内变异性）建模。这些特征随后输入 CovidRhythm，用于在潜伏期（生物学症状出现前一天）预测 Covid-19。传感器与生物行为节律特征的组合取得了最高的 AUC-ROC 0.79 [灵敏度=0.69，特异度=0.89，F=0.76]，优于以往利用 24 小时历史可穿戴生理数据区分 Covid 阳性患者与健康对照的方法。无论单独使用还是与传感器特征结合，节律特征对 Covid-19 感染最具预测力。传感器特征最能预测健康受试者。结合 24 小时活动和睡眠信息的昼夜休息-活动节律受扰动最严重。CovidRhythm 表明，从消费级可穿戴数据衍生的生物行为节律有助于及时的 Covid-19 检测。据我们所知，我们的工作是首个利用深度学习和消费级可穿戴数据衍生的生物行为节律特征检测 Covid-19 的研究。
引用
@article{arxiv.2301.10168,
title = {CovidRhythm: A Deep Learning Model for Passive Prediction of Covid-19 using Biobehavioral Rhythms Derived from Wearable Physiological Data},
author = {Atifa Sarwar and Emmanuel O. Agu},
journal= {arXiv preprint arXiv:2301.10168},
year = {2023}
}