腕部测量的皮肤电活动数据中的无监督运动伪影检测
人机交互
2017-07-27 v1 机器学习
摘要
腕戴式计算机的主要优点之一是其能够以最小侵入性的方式收集各种生理数据。在这些数据中，皮肤电活动（EDA）易于收集，并为了解一个人的情绪和交感神经反应提供了一个窗口。使用可穿戴腕带收集的 EDA 数据容易受到运动伪影（MAs）的影响，如果不加以识别和去除，这些伪影可能会显著扭曲数据并降低对数据进行分析的质量。先前的工作已经证明，在实验室环境中收集的小数据集上，使用监督机器学习算法可以成功检测 MAs。在本文中，我们证明，对于在实验室环境和包含约 23 小时数据的真实世界环境中收集的 EDA 数据，无监督学习算法在检测 MAs 方面与监督算法具有竞争力。我们还发现，有点令人惊讶的是，结合加速度计数据和 EDA 数据仅能略微提高监督算法的检测精度，却会显著降低无监督算法的精度。
引用
@article{arxiv.1707.08287,
title = {Unsupervised Motion Artifact Detection in Wrist-Measured Electrodermal Activity Data},
author = {Yuning Zhang and Maysam Haghdan and Kevin S. Xu},
journal= {arXiv preprint arXiv:1707.08287},
year = {2017}
}
备注
To appear at International Symposium on Wearable Computers (ISWC) 2017