深度强化学习赋能的活动感知动态健康监测系统
机器学习
2024-01-22 v1 计算机与社会
摘要
在智慧医疗中，健康监测利用多样化的工具和技术分析患者的实时生物信号数据，从而实现即时行动和干预。现有的监测方法基于医疗设备同时追踪多项健康指标的前提设计，并针对其指定的功能范围进行定制。这意味着它们报告该范围内的所有相关健康值，由于监测了无关的健康指标，可能导致资源过度使用和收集多余数据。在此背景下，我们提出了动态活动感知健康监测策略 (DActAHM)，旨在平衡最佳监测性能与成本效益；这是一种基于深度强化学习 (DRL) 和 SlowFast 模型的新颖框架，以确保基于用户活动进行精确监测。具体而言，借助 SlowFast 模型，DActAHM 能有效识别个体活动并捕获这些结果以进行增强处理。随后，DActAHM 通过结合 DRL 框架，根据识别出的活动优化健康指标监测。广泛的实验将 DActAHM 与三种最先进的方法进行了比较，结果表明，其比在时间线上固定监测动作的最佳基线高出 27.3% 的增益。
引用
@article{arxiv.2401.10794,
title = {Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health Monitoring Systems},
author = {Ziqiaing Ye and Yulan Gao and Yue Xiao and Zehui Xiong and Dusit Niyato},
journal= {arXiv preprint arXiv:2401.10794},
year = {2024}
}