Health-LLM：利用可穿戴传感器数据进行健康预测的大语言模型
计算与语言
2024-04-30 v2 人工智能
机器学习
摘要
大语言模型（LLMs）能够胜任许多自然语言任务，但远非完美。在健康应用中，对领域特定和非语言数据进行扎根与解释至关重要。本文探究了 LLMs 基于上下文信息（如用户人口统计资料、健康知识）和生理数据（如静息心率、睡眠时长）进行健康推断的能力。我们对 12 个最先进的 LLMs 在四个公共健康数据集（PMData、LifeSnaps、GLOBEM 和 AW_FB）上进行了提示和微调技术的综合评估。实验涵盖了心理健康、活动、代谢和睡眠评估方面的 10 项消费者健康预测任务。我们微调后的模型 HealthAlpaca 表现出与更大模型（GPT-3.5、GPT-4 和 Gemini-Pro）相当的性能，在 10 项任务中的 8 项上取得了最佳表现。消融研究凸显了上下文增强策略的有效性。值得注意的是，我们观察到上下文增强可带来高达 23.8% 的性能提升。虽然构建上下文丰富的提示（结合用户上下文、健康知识和时间信息）展现出协同改进效果，但在提示中包含健康知识上下文能显著提升整体性能。
引用
@article{arxiv.2401.06866,
title = {Health-LLM: Large Language Models for Health Prediction via Wearable Sensor Data},
author = {Yubin Kim and Xuhai Xu and Daniel McDuff and Cynthia Breazeal and Hae Won Park},
journal= {arXiv preprint arXiv:2401.06866},
year = {2024}
}