基于局部-全局异质行为图的健康状态预测
机器学习
2021-03-24 v1 多媒体
摘要
健康管理在全球范围内受到越来越多的关注。然而，现有的健康管理主要依赖医院检查与治疗，过程复杂且不及时。移动设备的出现为以便捷、即时方式管理人们健康状态提供了可能。健康状态的估计可通过从可穿戴传感器持续收集的多类数据流来实现。然而，这些数据流多源且异质，包含具有局部上下文与全局时间方面的复杂时间结构，这使得特征学习与数据联合利用具有挑战性。我们提出用局部-全局图对行为相关的多源数据流建模，该图包含多个局部上下文子图以利用异质图神经网络学习短期局部上下文信息，以及一个全局时间子图以利用自注意力网络学习长期依赖。随后基于从局部-全局行为图学习到的结构感知表示预测健康状态。我们在 StudentLife 数据集上进行了实验，广泛的结果证明了我们所提模型的有效性。
引用
@article{arxiv.2103.12456,
title = {Health Status Prediction with Local-Global Heterogeneous Behavior Graph},
author = {Xuan Ma and Xiaoshan Yang and Junyu Gao and Changsheng Xu},
journal= {arXiv preprint arXiv:2103.12456},
year = {2021}
}