CUDLE: 用于检测无控制环境下大麻使用的数字标签稀缺学习框架
机器学习
2024-10-07 v1
摘要
可穿戴传感器系统已显示出在实时、客观地监测生理健康以支持行为干预方面具有巨大的潜力。然而，在自由生活环境中获取准确标签仍然困难，因为受限于人类监督的局限性以及对患者自我标记的依赖，使得数据收集和监督学习尤其具有挑战性。为解决此问题，我们引入了 CUDLE（Cannabis Use Detection with Label Efficiency，即带标签效率的大麻使用检测），一个新型框架，利用自监督学习与真实世界可穿戴传感器数据，以应对一项紧迫的医疗挑战：在自由生活环境中自动检测大麻摄入。CUDLE 通过传感器数据识别大麻使用时刻，构建对比学习框架。它首先通过数据增强进行自监督预文本任务学习鲁棒表示，然后在下游任务中进行微调，配合浅层分类器，使 CUDLE 能够在标签有限的情况下超越传统监督方法。为评估我们的方案，我们进行了一项临床研究，收集了 20 名大麻使用者的超过 500 小时的可穿戴传感器数据，并通过 EMA（生态动力学评估）方法收集用户报告的大麻使用时刻。我们的广泛分析显示，CUDLE 的准确率达到 73.4%，而监督方法为 71.1%，随着标签数量的减少，性能差距进一步扩大。值得注意的是，CUDLE 不仅在使用 75% 更少的标签的情况下超越了监督模型，而且在更少的受试者数量下就能达到最佳性能。
引用
@article{arxiv.2410.03211,
title = {CUDLE: Learning Under Label Scarcity to Detect Cannabis Use in Uncontrolled Environments},
author = {Reza Rahimi Azghan and Nicholas C. Glodosky and Ramesh Kumar Sah and Carrie Cuttler and Ryan McLaughlin and Michael J. Cleveland and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2410.03211},
year = {2024}
}
备注
8 pages, 5 figures, 1 table