利用活动识别实现连续数据中保护性行为检测
机器学习
2021-02-03 v4
摘要
慢性疼痛（CP）患者在身体活动中表现出的保护性行为是理解其生理与情绪状态的关键。现有的自动保护性行为检测（PBD）方法依赖于用户预定义活动的预分割。然而在现实生活中，人们随意地进行活动。因此，当这些活动对慢性疼痛患者造成困难时，技术赋能的支持应当连续地提供，并自动适应活动类型与保护性行为的发生。为此，为促进普适的 CP 管理，实现连续数据上准确的 PBD 变得至关重要。本文提出通过一种新颖的分层 HAR-PBD 架构将人类活动识别（HAR）与 PBD 相集成，该架构由图卷积与长短期记忆（GC-LSTM）网络构成，并利用类平衡焦点分类交叉熵（CFCC）损失缓解类不平衡。通过使用 CP 患者数据集对该方法的深入评估，我们表明利用 HAR、GC-LSTM 网络与 CFCC 损失相较于基线明显提升了 PBD 性能（宏 F1 分数 0.81 对 0.66，精确率-召回率曲线下面积（PR-AUC）0.60 对 0.44）。最后我们讨论了该分层架构在 CP 管理及更广泛领域的潜在用例，并探讨了当前的局限性与前进方向。
引用
@article{arxiv.2011.01776,
title = {Leveraging Activity Recognition to Enable Protective Behavior Detection in Continuous Data},
author = {Chongyang Wang and Yuan Gao and Akhil Mathur and Amanda C. De C. Williams and Nicholas D. Lane and Nadia Bianchi-Berthouze},
journal= {arXiv preprint arXiv:2011.01776},
year = {2021}
}
备注
Submitted to PACM IMWUT