用于识别痴呆症患者激越可能性的半监督学习
信号处理
2021-05-24 v1
摘要
解读来自家庭内部感官观测与测量的环境、行为及心理数据，可为个体的健康与福祉提供有价值的洞察。痴呆症患者的神经精神与心理症状对其福祉和疾病预后有显著影响。痴呆症患者的激越可能由多种原因引起，如疼痛或不适、药物副作用等医学原因、沟通问题以及环境。本文讨论了一种用于分析痴呆症患者激越风险的模型，以及家庭内部监测数据如何为其提供支持。我们提出了一种结合自监督学习模型与贝叶斯集成分类的半监督模型。我们在一项临床研究的数据集上训练并测试了所提模型。该数据集采集自 96 户痴呆症患者住所内部署的传感器。所提模型在召回率和 F1 分数上比最先进模型高出 20%。与基线模型相比，该模型还表现出更好的泛化能力。
引用
@article{arxiv.2105.10398,
title = {Semi-supervised Learning for Identifying the Likelihood of Agitation in People with Dementia},
author = {Roonak Rezvani and Samaneh Kouchaki and Ramin Nilforooshan and David J. Sharp and Payam Barnaghi},
journal= {arXiv preprint arXiv:2105.10398},
year = {2021}
}