תפקידה של Machine Learning in Wearable Data Analysis

טכנולוגיה עוטה - כולל עוקבים כושר, שעונים חכמים, ותיקונים רפואיים - הפכה להיות עמוד ראשי במעקב בריאותי אישי.המכשירים האלה אוספים ברציפות זרמי נתונים פיזיולוגיים ופעילות: קצב לב, ספירות מדרגות שלב, שלבים ישנים, טמפרטורה בעור ואפילו פעילות אלקטרודרמית.אבל נפח הלבוש, מהירות וגמישות של נתונים אלה על פני שיטות ניתוח מסורתיות.

הבנה של Machine Learning in the Wearable Context

למידת מכונה, תת-קבוצה של אינטליגנציה מלאכותית, כוללת אלגוריתמים של אלגוריתמים של נתונים כך שהם יכולים לקבל תחזיות או החלטות מבלי להיות מתוכנתים במפורש לכל תרחיש. בניתוחים לביים, התהליך בדרך כלל מתחיל עם איסוף נתונים מחיישנים (מאגרפים, גירוסקופים, מעקבי קצב הלב אופטיים, וכו '), ולאחר מכן עיבוד של מערכת יחסים מתקדמת (מסנן, נורמליזציה, חלון), מיצוי (למשל, שינוי) הוא מדדי נשימה, שינוי משמעותי, מעקב אחר כך, עיבוד של תאים גמישים, או שינוי, או עיבוד (אפקטים) של תאים).

סוגים של Machine Learning Algorithms for Wearable Data

למידה סופר-מעודכן

למידה מבוססת דורשת נתונים מתוייגים – שבו כל קטע חיישן מתויג עם האמת הקרקעית (למשל, "הליכה", "התקפי", "לחיות" אלגוריתמים נפוצים כוללים:

  • (FLT:0Random ForestsFLT:1) - אוסף של עצי החלטות המטפלים בנתונים של חיישן רב ממדיים היטב ומספקים ציוני חשיבות.
  • (FLT:0) מכונות Vector (SVMorive)FLT:1 - יעילות סיווג של סוגי פעילות, במיוחד כאשר מספר התכונות הוא גדול יחסית לדגימות.
  • (FLT:0convolutional Neural Networks (CNN)BuildFLT:1) - מודלים למידה עמוקה אשר לומדים באופן אוטומטי תכונות מרחביות וזמניות של אותות חיישן גולמי; בדרך כלל בשימוש בניתוח של יכולת לב וגילוי צעד.
  • (FLT:0) רשתות ניאלריות חוזרות (RNNs) / LSTMsFIRLT:1 - מיועד לנתונים קיימים; אידיאלי עבור מודלים של זמן בgait, שלבי שינה, או ECG גלפורטים.

לדוגמה, CNN שהוכשרו על נתונים תלת-אפריקים יכול לסווג פעילויות יומיומיות עם יותר מ-95% דיוק על נתונים ציבוריים כמו FLT:0.0.05I פעילות אנושית RecognitionFLT:1.

למידה בלתי מבוקרת

(הופנה מהדף אלגוריתם (DBSCAN) אינו מבוסס על מוצא מבנים נסתרים (FLT:0Clustering אלגוריתמים FLT:1 (k-means, DBSCAN, היררכיה היררכית) יכול לאסוף משתמשים על ידי דפוסי פעילות או קבוצות שינה דומות (FLT:2DimensionductionFLT 3: 3 (A, ⁇ ⁇ ⁇ ) יכול לשמש סימולציה של כל מקרי מוות מסוג D.

עבודה חדשה החלה לאסוף נתונים על מנת לזהות את המסילות הבריאות משותפות – למשל, קבוצות של אנשים עם הפרעות דומות של קצב הדחיסה:0 (ראה מחקר זה 2021) ⁇ FLT:1.

Reinforcement Learning

Reinforcement Learning (RL) מאמן סוכן לקבל רצף של החלטות על ידי אינטראקציה עם סביבה ולקבל תגמולים. in wearables, RL עדיין מתפתח אבל מראה הבטחה:

  • (ב) מאמן בריאות וירטואלי לומד מתי להעביר מסרים מוטיבציה לדבקות אופטימלית.
  • (FLT:0) מערכות שיתוף פעולה-לשוניות נפרדות (FLT:1), התאמה בזמן אמת של אינטנסיביות רטט או תזמון תזכורת המבוסס על תגובתו של המשתמש.
  • (FLT:0) ניהול אנרגיה (Energy ManagementFLT:1) - המכשיר לומד מתי להפחית את החיישן דגימה כדי לשמר סוללה תוך שמירה על איכות נתונים.

בעוד ש-RL פחות נפוץ כיום בישולי צרכנים, אבטיפוסי מחקר הוכיחו את הפוטנציאל שלה בהתאמה אישית ללא תכנות מבוסס חוק מפורש.

למידה עמוקה ושילוב גישות

מעבר לאלגוריתמים הרדודים הקלאסיים, הלמידה העמוקה הפכה לטכניקה דומיננטית עבור נתונים עונדים (FLT:0 Attentionמנגנונים מנגנוני FLT:1 ו-FLT:2 אדריכלות טרנספורפורפורפורפורמנטלית 3: 3 מותאמים לסדרת זמן חיישן, ומאפשרת לדגמים להתמקד בחלונות זמניים מתקדמים (למשל, להתמקד בגבהים לב במהלך פעילות גופנית).

עיבוד נתונים והנדסת תכונות עבור Wearables

נתוני חיישן Raw הם לשמצה מבולגנים. Accelerometer קוראים מכילים סחף כבידה; צגים בקצב הלב רגישים לפריטים בתנועה; אותות התנהגות העור כוללים ספייקטים הנגרמים על ידי הזיעה.מודלים ML יעילים תלויים בתכונות נקיות, מתקדמות היטב.

  • (ב) [17] ,0 ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0)NormalizationFLT:1 - תכונות Scaling לאפס משמעות וחלופה יחידה מונעת מודלים להיות מוטה על ידי מגוון חיישן.
  • (ב) ,0) ,Handling Missingrated dataFLT:1 - טכניקות אינטרפולציה או אימפולסיבית ממלאות פערים מחבילות Bluetooth או ניתוק חיישן.

הנדסה תכונה לעתים קרובות משלבת תכונות זמן-דומיין (mean, סטייה סטנדרטית, מתאם בין אקסקסים), תכונות תדירות-דומיין (גודלים FFT, אנרגיה ספקטרלית), ותכונות ספציפיות לתחום (מרווחי RR מ- PPG, אפס-מעבר ריבית ממטרים) עם למידה עמוקה, עם זאת, מיצוי אוטומטי של אותות גולמיים הפחית את הצורך עבור תכונות בעלות על ידי יצירת ידיים - למרות שעדיין משפר את ההתקדמות.

יישומים אמיתיים ו Case Studies

פעילות ההכרה

צרכנים לובשים חומרים כמו Apple Watch ו- Fitbit להשתמש ב-ML כדי לסווג הליכה, ריצה, רכיבה על אופניים, שחייה וטיפוס מדרגות.האלגוריתמים מסתמכים על מד תאוצה וזרימי גירוסקופ, לעתים קרובות רצים על יחידות עיבוד עצביות ייעודיות (NPUs) כדי לשמור על טמפרטורות נמוכות וניקוז סוללת ניהוליות.

קצב הלב ובדיקת הלב

חיישנים פוטופלסטיק (PPG) בצופים חכמים מודדים את שינויי נפח הדם, אבל תנועה ואור מתחרה מציגים רעש.מודלים של ML - במיוחד CNN ו LSTMs - פריטים מטומטמים והערכה של קצב הלב באופן אמין.הההההה של Apple Watch מציגה זיהוי אפידורל (AFib) של ה- FDA, משתמשת ברשת עצבית עמוקה כדי לנתח את קצבי הלב הלא סדירים מ-PGG הרגישות.

שינה שלב התצורה

(הופנה מהדף EOG, ו- EMG במעבדה. Today, wearables use accelerometry and Heart-rate variability (HRV) כדי להעריך ער, אור, עמוק ושינה REM. ML מודלים מאומן על מודלים פוליסמומוגרפיה-labeled נתונים ולהשיג כ 80-85% הסכמה עם חברות ניקודות כמו שלנו עם אלגוריתמים לינאריים באמצעות מחקרים גדולים של סרטן השינה: 0DNPRNEX)

מתח ובדיקות בריאות הנפש

זיהוי מתח מבוסס על לבי משתמש בתכונות מקצב לב, HRV, מוליכות עור וטמפרטורת העור. ML מסווגים (למשל, חיזוק ⁇ , autoencoders) יכול לזהות אירועים מתחים חמורים עם בערך 85% מערכות ללכת רחוק יותר, לחזות תנודות מצב רוח בהפרעה דו קוטבית על ידי שילוב נתונים לבישת עם חומרים עצמיים, כפי שנראה ב-FLT:0ARCAMONALT:1.

היתרונות של Integrating Machine Learning into Wearables

המאמר המקורי פרסם שלושה יתרונות; אנו מרחיבים כל אחד עם ראיות קונקרטיות:

  • (FLT:0) Accuracyd Accuracy FLT:1 ML מפחית חיובי כוזב ושלילי שקר.לדוגמה, נוגד צעד מבוסס הסף המסורתי עשוי למיין את הרטטים של האוטובוס כצעדים; מודל יער אקראי המשלב קונספירציה זמנית ותכונות הכבידה חותך שגיאות כאלה על ידי יותר מ-40%.
  • <חזק>התאמה אישית - מודלים ספציפיים למשתמש להסתגל לפיזיולוגיה ייחודית.חשבון של אזור לב גנרי עשוי להיות כבוי על ידי 15 bpm עבור אדם, אבל העברה-learned CNN כי טונים בסדר על מנוחה של המשתמש ו- HRV מניב אזורי הכשרה מותאמים אישית עם <5 bpm שגיאה.
  • (FLT:0) גילוי מוקדם של ML (D) יכול לזהות סטיות עדינות הרבה לפני שהן הופכות לחשיפה קלינית.מודל שהוכשר על נתוני HR רציף מצופים חכמים הוכח לנבא אבחון עתידי של היפרדות עד שישה חודשים מראש, בהתבסס על שינויים הדרגתיים בשיעורי HR ושיקום.
  • (FLT:0Battery EfficiencyFLT:1) - על שכפול ML יכול להחליט מתי להעיר חיישנים.במקום לדגום את המיץ ב 100 הרץ ברציפות, מחוקק בעל כוח נמוך יכול לרוץ בשעה 1 הרץ, ורק דגימה מלאה מופעלת כאשר חוסר יציבות מזוהה - עד 60%.
  • (FLT:0)ScalabilityFLT:1 - מודלים מאומנים בענן יכולים להיות פרוסים למיליוני מכשירים באופן מיידי.זה מאפשר ליצרנים לגלגל תכונות בריאות חדשות באמצעות עדכוני תוכנה, כפי שניתן לראות עם היסטוריית הזיכיון של Apple Watch שפורסם בשנת 2022.

אתגרים ומגבלות

למרות ההבטחה, כמה מכשולים נותרו לפני ש-ML-enhanced wearables להיות סטנדרטי בשימוש קליני ויומיומי:

  • (FLT:0) פרטיות נתונים ואבטחת מידע 1 - נתוני בריאות רגישים מאוד.תקנות כמו GDPR ו- HIPAA כופים כללים נוקשים על אחסון, שיתוף ועיבוד.על עיבוד ולמידה מופחתת להפחית כמה סיכונים, אבל משטח ההתקפה (אפליקציות טלפונים, שרתי ענן, ברוקרים נתונים) עדיין גדול.
  • (FLT:0) חישוביות קוסטרינטסייט 1 (המכשירים לביבש יש כוח מעבד מוגבל, זיכרון וסוללה. הפעלת רשת עצבית עמוקה באופן קבוע יכול לרוקן סוללה בשעות.מודל טכניקות (התאחדויות, ריצה, דילול ידע) הם חיוניים, אבל הם יכולים לזלזל דיוק.
  • (FLT:0Data Quality and Labelinging) 1 - למידה סופר-מעודכן דורש כמויות גדולות של נתונים מתוייגים. איסוף תוויות ⁇ -אמת בתנאים חיים חופשיים (למשל, "משתמש אכל ארוחה" או "מנוסה התקף פאניקה") הוא קשה מאוד.
  • (FLT:0)Bias ו- GeneralizabilityFLT:1) מודלים שהוכשרו על אוכלוסיות צעירות, בריאות ולבן מבצעים בצורה גרועה על קבוצות מגוונות.טון עור משפיע על איכות אות PPG; מדד מסת הגוף משפיע על מיקום מאיזור.
  • (FLT:0 (interpretabilityFLT) - מודלים למידה עמוקה הם לעתים קרובות "קופסאות שחורות" מרפאה עשוי להסס לפעול על חיזוי (למשל, "סיכון גבוה" ללא הבנה של הגורמים התורמים.
  • (FLT:0) רישום הרדלסFLT:1 - דיוק ברמה רפואית דורש פינוי FDA או סימון CE, הדורש אימות קליני קפדני.חברות רבות מעדיפים לשווק את המכשירים שלהם כ"שלמות" ולא "רפואי" כדי למנוע פיקוח על פני השטח.

כיוונים עתידיים

צוק איתן ו- On-Device Training

מתקדם שבבים של AI כוח נמוך (למשל, מנוע נילי של אפל, יחידות עיבוד של גוגל עבור ניידים) מאפשר מודלים מורכבים לרוץ לחלוטין על המכשיר.הגבול הבא הוא על כוונון עדין - המאפשר לכל מכשיר של משתמש להמשיך ללמוד מהנתונים שלו מבלי לשלוח אותו לענן.

FUVERAL FUER

שילוב אותות מחיישנים מרובים (accelerometer,gyroscope, PPG, טמפרטורה, מיקרופון, אפילו מצלמה) ייצור תמונה עשירה יותר של מודלי משתמשים. ML כי ממזגים את המודולים האלה יכול לשפר את האבחנה של תנאים כגון נשימה בשינה (שילוב של משיכה חמצן עם תנועה) או מתח (משימת HRV עם קול מן הטלפון mic).

שילוב עם מערכות בריאות

כמו תובנות מחונכות להיות אמין יותר, הם משולבים ברשומות בריאות אלקטרוניות (EHRs) מודלים ML יכול באופן אוטומטי לסכם פעילות של המטופל לישון במהלך החודש האחרון, דגל במגמות, ואזהרה לצוות הטיפול.

למידה עצמית

כדי להפחית את התלות בנתונים מתוייגים, למידה עצמית מבוססת (SSL) מודלים לפני אימון על נתונים חיישן ללא תווית על ידי חיזוי קטעים חסרים או משימות ניגודיות. תוצאות ראשוניות להראות כי SSL יכול ללמוד ייצוגים להעביר היטב משימות זרם כמו זיהוי ופעילות סיווג, הדורש רק תווית קטנה עבור כוונון עדין.

מסקנה

אלגוריתמים של למידת מכונות עברו מטיפוסים ניסיוניים לליבת הטכנולוגיה המודרנית לבישת.הם מאפשרים סיווג פעילות מדויק, זיהוי בריאות בזמן אמת, ואימון מותאם אישית – כל הנתונים החיישן שמשתמשים כבר מייצרים.עם זאת, השגת אמין, שווה, ופרטי ML-enhanced, דורש המשך מחקר בדחיסה, למידה מוזן, והטיה למחנכים גולמיים ופרטים על מנת לעקוב אחר נתונים יעילים יותר, ולשלוט על ידי מערכת הבריאות בין תהליכים חיוניים, לבין שיטות טיפוליות, לבין שיפור משמעותי יותר, לבין שיפור משמעותי יותר, לבין שיטות טיפוליות, לבין שיפור משמעותי יותר, כמו גם כן, בין שיטות טיפוליות, לבין שיפור יעיל יותר, לבין שיטות טיפוליות של טיפוליות טיפוליות טיפוליות, לבין שיפור יעיל יותר, לבין שיפור יעיל יותר, לבין שיפור יעיל יותר, לבין שיפור יעיל יותר, בין שיטות טיפוליות, לבין שיטות טיפוליות, לבין שיטות טיפוליות טיפוליות, לבין שיטות טיפוליות טיפוליות, לבין שיפור יעיל יותר, לבין שיטות טיפוליות טיפוליות, לבין שיפור יעיל יותר, לבין שיטות טיפוליות, לבין שיטות טיפוליות, לבין שיפור יעיל יותר, כמו גם כן, כמו גם כן, כמו גם עם זאת, כמו גם אם כך, כמו גם כן, כמו גם אם כך, כמו גם כן,