基于岗位角色的深度神经网络预测轮班工作者健康与福祉
机器学习
2021-06-24 v1
摘要
轮班工作者作为社会的重要贡献者，面临健康与福祉不佳的高风险。为协助解决其问题，我们收集并分析了轮班护士与医生的生理及行为可穿戴传感器数据，以及其行为问卷数据和自我报告的每日健康与福祉标签，包括警觉性、幸福感、精力、健康状况与压力。我们发现了护士与医生反应之间的异同。根据护士与医生自我报告健康与福祉标签的差异，以及其标签间的相关性，我们提出了一种基于岗位角色的多任务多标签深度学习模型，其中我们同时建模护士与医生的生理和行为数据，以预测参与者次日的多维自我报告健康与福祉状态。我们的模型在二分类/三分类及回归预测任务的评估中，表现显著优于基线模型和先前最先进（SOTA）模型。我们还发现与心率、睡眠和轮班相关的特征对轮班工作者的健康与福祉有贡献。
引用
@article{arxiv.2106.12081,
title = {Forecasting Health and Wellbeing for Shift Workers Using Job-role Based Deep Neural Network},
author = {Han Yu and Asami Itoh and Ryota Sakamoto and Motomu Shimaoka and Akane Sano},
journal= {arXiv preprint arXiv:2106.12081},
year = {2021}
}
备注
In: Wireless Mobile Communication and Healthcare. MobiHealth 2020