基于多模态时间序列数据自监督学习的复发性应激事件个性化预测
机器学习
2023-08-08 v1 信号处理
摘要
慢性应激会显著影响身心健康。可穿戴技术的出现使得生理信号追踪成为可能，有望带来创新的应激预测与干预方法。然而，标签稀缺和数据异质性等挑战使应激预测在实践中十分困难。为应对这些问题，我们开发了一个利用可穿戴生物信号数据的多模态个性化应激预测系统。我们采用自监督学习（SSL）在每个受试者的数据上预训练模型，使模型在微调应激预测任务前先学习受试者生物信号的基线动态。我们在可穿戴应激与情感检测（WESAD）数据集上测试模型，表明我们的 SSL 模型在使用少于 5% 标注的情况下优于非 SSL 模型。这些结果表明，我们的方法能以最少标注实现针对每位用户的个性化应激预测。该范式有潜力利用复杂多模态数据流实现多种复发性健康事件的个性化预测。
引用
@article{arxiv.2307.03337,
title = {Personalized Prediction of Recurrent Stress Events Using Self-Supervised Learning on Multimodal Time-Series Data},
author = {Tanvir Islam and Peter Washington},
journal= {arXiv preprint arXiv:2307.03337},
year = {2023}
}