用于改善痴呆症患者躁动检测的欠采样与累积类别重决策方法
机器学习
2023-08-16 v3 信号处理
摘要
躁动是痴呆症患者（PwD）最普遍的症状之一，可危及其自身与照护者的安全。开发客观躁动检测方法对支持居家长者PwD的健康与安全十分重要。在先前研究中，我们收集了17名参与者600天的多模态可穿戴传感器数据，并开发了用于一分钟窗口躁动检测的机器学习模型。然而，该数据集存在显著局限，如不平衡问题及潜在不精确标签，因为躁动发生远少于正常行为。本文中，我们首先实施不同欠采样方法以消除不平衡问题，并得出结论：仅20%正常行为数据即足以训练具竞争力的躁动检测模型。随后，鉴于模糊时间间隔假设，我们设计加权欠采样方法以评估人工标注机制。此后，基于躁动的历史序列信息与连续性特征，提出累积类别重决策（CCR）后处理方法，改善躁动检测系统潜在应用的决策性能。结果表明，欠采样与CCR的结合以更少训练时间与数据在不同程度上提升了F1-score及其他指标。
引用
@article{arxiv.2302.03224,
title = {Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia},
author = {Zhidong Meng and Andrea Iaboni and Bing Ye and Kristine Newman and Alex Mihailidis and Zhihong Deng and Shehroz S. Khan},
journal= {arXiv preprint arXiv:2302.03224},
year = {2023}
}
备注
19 pages, 6 figures