自由生活临床环境中的多模态体能活动预测：为即时干预寻找机会
机器学习
2024-10-15 v1 人工智能
信号处理
摘要
目的：本研究旨在开发一种名为 MoveSense 的生活方式干预系统，通过预测患者的活动行为，以实现在真实世界临床环境中进行早期和个性化干预。方法：我们开展了两项临床研究，涉及 58 名原发糖尿病前期患者和 60 名阻塞性睡眠呼吸暂停症患者，使用可穿戴设备收集多模态行为数据。我们开发了多模态长短期记忆（LSTM）网络模型，能够通过分析活动和参与度模态的数据，对患者的步数计数进行提前 24 小时的预测。此外，我们设计基于目标的预测模型，以预测个人次日的步数是否超过某一阈值。结果：在原发糖尿病前期数据集上，采用早期融合的多模态 LSTM 相对于线性回归和 ARIMA 模型分别降低了 33% 和 37% 的平均绝对误差。在睡眠数据集上，LSTM 相对于线性回归和 ARIMA 分别以 13% 和 32% 的优势表现。多模态预测模型在原发糖尿病前期数据集和睡眠数据集上的准确率分别为 72% 和 79%。结论：我们的实验表明，采用早期融合的多模态 LSTM 模型优于采用晚期融合的多模态 LSTM 模型和单模态 LSTM 模型，也优于 ARIMA 和线性回归模型。意义：我们解决了一个在不可控环境中进行时间序列预测的重要且具有挑战性的任务。有效预测个人的体能活动可有助于设计自适应行为干预，以保持用户的参与度和依从性。
引用
@article{arxiv.2410.09643,
title = {Multimodal Physical Activity Forecasting in Free-Living Clinical Settings: Hunting Opportunities for Just-in-Time Interventions},
author = {Abdullah Mamun and Krista S. Leonard and Megan E. Petrov and Matthew P. Buman and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2410.09643},
year = {2024}
}
备注
9 pages, 5 figures