日常体力活动监测——来自多源运动传感器数据的自适应学习

在医疗保健应用中，需要开发机器学习模型以单一数据源（如手腕可穿戴设备）来监控体力活动、评估健康风险并提供即时健康建议或干预。然而，仅使用单一数据源的局限性往往会损害模型的准确性，因为它未能捕捉人类活动的全部范围。虽然可以在实验室设置中使用多个传感器固定于身体的不同部位来收集更全面的数据集，但由于多个传感器的佩戴不实用，此方法在日常使用中不可行。为此，我们引入一种迁移学习框架，通过利用实验室设置中收集的多源数据来优化机器学习模型，以适用于日常应用。我们引入一种新指标，利用这些多个数据源之间的内在关系——它们都捕捉同一体力活动的不同方面——进行建模。通过数值实验，我们的框架在分类准确率和对噪声的鲁棒性方面均优于现有方法，为日常活动监测的提升提供了有前景的途径。