DigitalExposome：基于实时多传感器融合与深度信念网络量化城市环境对身心健康的影响
机器学习
2021-02-01 v1
摘要
在本文中，我们将“DigitalExposome”定义为一个概念框架，借助多模态移动传感技术，使我们更接近理解环境、个人特征、行为与身心健康之间的关系。具体而言，我们首次同时收集了多传感器数据，包括城市环境因素（例如空气污染：PM1、PM2.5、PM10、氧化性、还原性、NH3 和噪声、周边人数）、身体反应（生理反应：EDA、HR、HRV、体温、BVP 和动作）以及个体的感知响应（例如自我报告效价）。我们的用户遵循预先指定的城市路径，并使用综合传感边缘设备收集数据。数据在采集点即时融合、打时间戳并附地理标签。已应用一系列多元统计分析技术，包括主成分分析、回归和空间可视化，以揭示变量之间的关系。结果表明，EDA 和心率变异性 HRV 明显受到环境中颗粒物（PM）水平的影响，且与环境变量密切相关。此外，我们采用深度信念网络从多模态数据流中提取特征，其性能优于卷积神经网络，并达到了高达（a=80.8%，{\sigma}=0.001）的准确率。
引用
@article{arxiv.2101.12615,
title = {DigitalExposome: Quantifying the Urban Environment Influence on Wellbeing based on Real-Time Multi-Sensor Fusion and Deep Belief Network},
author = {Thomas Johnson and Eiman Kanjo and Kieran Woodward},
journal= {arXiv preprint arXiv:2101.12615},
year = {2021}
}