Makine Öğrenmesinin Giyilebilir Veri Analizinde Rolü

İşlenebilir teknoloji - fitness pistleri, akıllı gözlemler ve tıbbi yamalar dahil - kişisel sağlık izlemede ana bir yer haline gelir. Bu cihazlar sürekli fizyolojik ve aktivite verileri akışlarını toplamaktadır: kalp hızı, adım sayar, uyku aşamaları, cilt sıcaklıkları ve hatta elektrodermal aktiviteyi dönüştürmek için sistematik bir yol sunar. Ancak o verileri tarihsel verilerden öğrenerek, MLDörlüğün çeşitli sonuçları, sağlık analizleri ve bağlamına bağlı olarak algılar.

Giyim edilebilir Context'de Makine Öğrenmesini Anlayın

Makine öğrenimi, yapay zekanın alt kümesi, veri üzerinde eğitim algoritmaları içerir, böylece her senaryo için açıkça programlanmamış tahminler veya kararlar verebilirler.In giyilebilir analitik, süreç genellikle veri toplama ile başlar (accelerometreler, gyroskoplar, optik kalp hız monitörleri, vs.), takip edilebilirlik (filtre, normalleştirme, pencereleme), özellik (örneğin, değişkenlik, frekans-bölge bileşenleri), ve son model eğitim ve değerlendirme.

Giyimlenebilir Data için Makine Öğrenme Algoritmalarının Türleri

Süpervize Öğrenmek

Süperviz öğrenme, etiketli verileri gerektirir - her sensör segmenti zemin gerçeği ile etiketlenir (örneğin, “oylama”, “kalpıcı”, “seçmişsiz”, Common algoritmaları şunları içerir:

  • [FONT:0]Random Forests[[Dönetici:0)[Dörtüncü Boyutlu sensör verileri iyi çalışan karar ağaçlarının bir araya gelmesi ve önemli puanlar sağlamaları.
  • [FONT:0)Depres Vector Machines (SVM)) - Faaliyet türlerini sınıflandırmak için etkili, özellikle de özelliklerin sayısı örneklerle çok büyük bir şekilde karşılaştırıldığında.
  • [FONT:0)Convolutional Neural Networks (CNNs)[Dönetici:0)[CNNs)[Dönetici:0)))[CNNs)[Dönetici ve zamansal özellikleri çiğ sensör sinyallerinden otomatik olarak öğrenir; genellikle kalp-düşüklenebilirlik analizi ve adım algılamada kullanılır.
  • [FONT=0)Recurrent Neural Networks (RNNs) / LSTMs[Dönetici verileri için tasarlanmıştır; gait, uyku aşamalarındaki seri kalıpları için ideal, veya ECG dalgaformları.

Örneğin, üç eksenli bir hızlayıcı üzerinde eğitilmiş bir CNN, günlük faaliyetleri% 95'in üzerinde kamu veri setleri üzerinde tanımlayabilir:0)UCI Human Activity Recognition). Süpervised modeller en mevcut giyilebilir sağlık özellikleriyle ilgili iş bağlantılarıdır.

denetimsiz Öğrenme

etiketli veriler toplamak için yetersiz veya pahalı olduğunda, denetimsiz öğrenme gizli yapılar bulur.ETHFLT:0)Clustering algoritmaları) (köpücüler, DBSCAN, hierarchical kümeleme) kullanıcılarına aktivite kalıpları veya grup benzer uyku segmentleri ile hizmet edebilir.Dönetici azaltma [Döneticileri, tSNE, otomatikleştirilmiş kalpler) mümkün olmayan tüm canlılar için bir adım olarak hizmet eder.

Son çalışma, paylaşılan sağlık trajektörlerini tanımlamak için kullanılabilir verileri kullanmaya başladı - örneğin benzer sirkadiyeli ritim kesintileri olan bireyleri gruplandırmak için:0)(bu 2021 çalışmasına bakınız)).

Dondurma Öğrenme Öğrenme Öğrenme

Dondurucu öğrenme (RL) bir ajanda bir ortamla etkileşime girerek kararların sıralarını yapmak ve ödüller almak için bir ajan eğitir.In giyilebilirs, RL hala ortaya çıkıyor ama söz veriyor:

  • [FONT:0] Adaptif koçluk[[Dönetici:0)[Dönetici:0)))[Dönetici: A virtual health antrenörü, en iyi bağlılık için motivasyon mesajları sunmak için öğrenir.
  • [FONT=0] Closed-loop sistemleri[[Dönetici: 1)[Dönetici:0)[Dönetici:0)[Dönetici:0)[Döneticiler:0))[Düzzaman, kullanıcının duyarlılığa dayanan titreşim yoğunluğu veya hatırlatma zamanlamasının gerçekleştirilmesi.
  • [FONT:0)Enerji yönetimi[[DÜT:1) - Cihaz, veri kalitesini korumak için sensör örneklerini azaltmaya çalışırken öğrenir.

RL bugün tüketici giyilebilirlarında daha az yaygındır, araştırma prototipleri açık kural tabanlı programlama olmadan kişiselleştirilmiş geri bildirimde potansiyelini göstermiştir.

Derin Öğrenme ve Ensemble Yaklaşımlar

Klasik sığ algoritmaların ötesinde, derin öğrenme, belirli bir zaman serisine odaklanmak için bir baskın tekniği haline geldi (örneğin, egzersiz sırasında kalp atış mekanizmalarına odaklan)) ve [[Döneticileri[Döneticileri)[Döneticileri[Döneticileri)[Döneticileri ile ilgili bilgi paylaşımı için kullanılan modeller, bilgisayar destekli bir şekilde kontrol edilen yönteme odaklanırken, aynı zamanda test edilen hataların doğrulanması gibi algılanırken, aynı zamanda test edilen hataların doğrulanması gibi algılanır.

Ürünler, kullanılabilirlikler için iş öncesi ve özel mühendislik

Raw sensör verileri ünlü bir şekilde dağınık. Hızlarometre okumaları çekimsel sürüklenme içerir; kalp oranı monitörleri hareket eserlere duyarlıdır; cilt yönlendirme sinyalleri ter-indüktörler içerir. Etkili ML modelleri temiz, iyi düşünülmüş özelliklere bağlıdır.

  • [FONT:0) Direktif[DÜT:1) - Low-pass filtreleri yüksek frekanslı gürültüyü ortadan kaldırır; yüksek frekanslı filtreler, vücut hızını yerçekiminden izole eder.
  • [FONT:0)Windowing[[[DÜT:1) – Sensör akışları, zaman bağlamını yakalamak için çakış pencerelere (örneğin, 2-10 saniye) segmente dönüştürüldü.
  • [FONT:0) Normalleşme) - Scaling sıfır anlamına gelir ve birim değişkenlik modelleri sensör aralığı farklılıkları ile önyargılı olmaktan alıkoyur.
  • [FONT:0]Handling eksik veriler[[DÜT:1) – Interpolasyon veya imputation teknikleri, Bluetooth paketlerinden veya sensör bağlantılarından uzak boşlukları doldurur.

Özel mühendislik genellikle zaman alan özelliklerini birleştirir (mean, standart sapma, axes arasındaki korelasyon), frekans tabanlı özellikler (FFT büyüklüğü, ⁇ enerji), ve alan bazlı özelliklere sahiptir (RR aralıkları PPG'den, sıfır-crossing oranlarına hızlar, derin öğrenme ile, ham sinyallerden otomatik özellik, el sanatları özellikleri için gerekliliğini azaltmıştır.

Gerçek Dünya Uygulamaları ve Vaka Çalışmaları

Aktivite Tanıma

Apple Watch ve Fitbit, yürüyüş, koşu, bisiklet, yüzme ve merdiven tırmanmak için ML kullanıyor.The Consumer giyilebilirs like the Apple Watch and Fitbit use ML to sınıflandırmak, koşmak, bisiklet, yüzmek ve stair tırmanışı.ThePhysioNet Motion Artifact database) Araştırmacıların modellerini karşılaştırmasına yardımcı olur.

Kalp Oranı ve Kardiyak Takip

Fotoplethysmography (PPG) Akıllıwatches'daki sensörler kan hacim değişiklikleri ölçer, ancak hareket ve çevre ışığı, PPG modellerinden düzensiz kalp ritmini analiz etmek için derin bir sinir ağı kullanır - özellikle CNN ve LSTM'ler - klinik ECG yamalarını karşılaştırılabilir ve tahmin edin.

Uyku Aşama Sınıf Sınıflandırması

Geleneksel uyku, EEG, EOG ve EMG'yi bir laboratuarda gerektiriyordu. Bugün, başarılı bir şekilde ve kalp-devaylanabilirliği (HRV) uykuyu tahmin etmek için gerekli olan, ışık, derin ve REM uyku. ML modelleri polizonografi-labeled veriler üzerinde eğitildi ve el eleme sınıfılarımız gibi firmalarda% 80-85 oranındaki ayrımcı sınıfları kullanarak algoritmalar geliştirdiklerini gösteriyor.

Stres ve Ruh Sağlığı İzleme

Kullanılabilir stres algılaması kalp hızından özellikleri kullanır, HRV, cilt iletimi ve cilt sıcaklığı. ML sınıflandırıcılar (e.g., gradient güçlendirme, otoencoders) akut stres olayları% 85 oranında algılayabilir. Bazı sistemler, bipolar bozuklukta kullanılabilir verileri kendiportajlarla birleştirerek tahmin edilebilir verileri bir şekilde tahmin edebilir.

Tümleştirici Makine Öğrenmesinin Faydaları

Orijinal makale üç fayda listeledi; her birini somut kanıtlarla genişletiyoruz:

  • [FONT:0)Enhanced Truth[[[Döntilmiş 1] – ML yanlış pozitifleri ve yanlış negatifleri azaltır. Örneğin, geleneksel bir eş tabanlı adım sayacı, otobüs titreşimlerini adımları olarak yanlış sınıflayabilir; zaman aralığı ve yerçekimi özelliklerini içeren rastgele bir orman modeli,% 40'tan fazla kesintiye uğrayabilir.
  • Kişiselleştirme – Kullanıcıya özgü modeller eşsiz fizyolojiye adapte olabilir. Bir jenerik kalp oranı bölge hesaplayıcısı bir birey için 15 bpm tarafından kapatılabilir, ancak kullanıcının kendi dinlenme HR ve HRV'ye ait kişiselleştirilmiş eğitim bölgelerinin üzerinde bir transfer-öğrenme-öğrenme-öğrenme-öğrenme-öğrenme-öğrenme-öğrenme-öğrenme-öğrenme-öğrenme-öğrenme-öğrenme-i, <5 bpm hatası ile kişiselleştirilmiş eğitim bölgeleri sunar.
  • [FONT:0]Early Tespit[[[DÜDÜT:1) – ML klinik olarak fark edilmeden önce uzun süre durabilir. Akıllı gözlemlerden sürekli İK verileri üzerinde eğitilmiş bir model, gelecekteki hipertansiyon tanısının altı ay önceden tahmin edildiği gösterilmiştir, bir gecede HR ve kurtarma oranlarında kademeli değişikliklere dayanarak.
  • [FONT:0]Battery Verimliliği[[Dönetici: 1)[Dönetici:0)) - On-device ML, sensörleri uyandırmak için karar verebilir. 100 Hz'deki Hızölçücüyü sürekli olarak, düşük güç sınıfılayıcısı 1 Hz'de çalıştırabilir ve sadece tam olarak örnekleme tespit edilebilir -% 60'a kadar bataryayı tasarruf etmek için etkinleştirilebilir.
  • [FONT:0]Scalability – Bulut eğitimi almış modeller anında milyonlarca cihaza dağıtılabilir. Bu, üreticilerin Apple Watch'un atrial fibrillation tarihi özelliğiyle yeni sağlık özelliklerini geliştirmelerine olanak sağlar.

Meydanlar ve Sınırlar

Sözcülüğe rağmen, ML-enhanced giyilebilirs'in klinik ve günlük kullanımda standart hale gelmesinden önce birkaç engel kalır:

  • [FONT ve HIPAA gibi Yönetmelikler depolama, paylaşım ve işleme konusunda katı kurallar getiriyor.In-device işleme ve beslenmek bazı riskleri azaltır, ancak saldırı yüzeyi (telefon uygulamaları, bulut sunucuları, veri brokerleri) hala büyük güvenmelidir. Kullanıcılar biyometrik verilerinin depoda satılmaması veya sızıntı yapmasına yardımcı olmalıdır.
  • [[Düzücüler:0)C ⁇ Eksler[[Dönetici: 1) - Model karmaşıklığı ve kaynak tüketimi arasındaki ticaret, sürekli olarak bir bataryayı saatlerce boşaltabilir. Model sıkıştırma teknikleri (görüntüleme, bilgi kesintisi) önemlidir, ancak modellemek için gereklidir.
  • [FONT:0]Data Quality and Labeling – Süpervizör öğrenme, ücretsiz kullanım koşulları için büyük miktarlarda etiket gerektirir (örneğin, “kullanıcı bir panik atak”) son derece zor.
  • [FONT:0]Bias ve Generalizability[[Dönetici: 1))[Döneticiler, özellikle genç, sağlıklı ve beyaz popülasyonlar üzerinde eğitilmiş modeller farklı gruplar üzerinde kötü performans gösterir. Skin tone PPG sinyal kalitesini etkiler; vücut kitle indeksi, temsilcilik eğitimi verileri olmadan, giyilebilir sağlık eşitsizlikleri azaltır.
  • [FONT=0) Sorumluluk[Dönetici[Dönetici:0)[Döneticiler) - Derin öğrenme modelleri genellikle “kara kutular” olarak algılanabilirler (örneğin, “g., “gerekli AI tekniklerini açıklayabilmeden yüksek”), katkıda bulunan faktörleri anlamadan.
  • [FONT:0)Yönergeli Hurdles[[DÜT:1) - Tıbbi sınıf doğruluk FDA tespiti veya CE işaretini gerektirir, bu da titiz klinik geçerliliği talep etmektedir. Birçok şirket, düzenleyici yükü önlemek için cihazları pazarlamayı tercih eder.

Future Yol Tarifi

Edge AI ve In-Device Eğitim

Düşük güç AI çiplerinde ilerlemeler (örneğin Apple'ın Neural Engine, Google'ın Tensor Processing Birimleri mobil için) karmaşık modelleri tamamen cihazda çalıştırmayı sağlar. Bir sonraki sınır iyi takip eder - her kullanıcının buluta göndermeden öğrenmesini sağlar.

Multimodal Fusion

Birden fazla sensörden sinyalleri (accelerometre, gyroskop, PPG, sıcaklık, mikrofon, hatta kamera) birleştirerek bu yöntemlerin zengin bir resmi oluşturabilirsiniz. ML modelleri bu yöntemlerin uyku apnea (kombining oksijen douration with action) veya stres (kombin HRV) gibi koşulları geliştirmek için.

Sağlık Sistemleri ile entegrasyon

Üretilmiş edilmiş öngörüler daha güvenilir hale gelirken, elektronik sağlık kayıtlarına entegre edilecektir (EHRs). ML modelleri bir hastanın aktivitesini otomatik olarak özetleyebilir ve geçmiş ay boyunca, trendlere ilişkin bayrak ve dikkat ekibini uyarmak için zaten bakım ekibi. Pilot programları.

Kendi kendini Süpervised Learning

etiketli verilere, kendi denetimli öğrenme (SSL) ön lisans modelleri, eksik segmentleri veya kontrast görevleri tahmin ederek varsayılan verileri tahmin ederek ön plana çıkarmayı gösterir. İlk sonuçlar, SSL'nin düşük algılama ve aktivite sınıflandırma gibi görevleri öğrenebileceğini gösterir, sadece küçük bir etiketli düzeltme işlemi gerektirir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenme algoritmaları, modern giyilebilir teknolojinin özüne deneysel prototiplerden taşındılar. Doğru aktivite sınıflandırmasını, gerçek zamanlı sağlık anomaly algılamasını ve kişiselleştirilmiş koçluk - kullanıcıların zaten hangi duyusal verileri kullandığını anlamak, güvenilir, adil ve özel ML-enhanced giyilebilir, ve özel ML-enhanced giyilebilir öğrenme, modelleme öğrenme ve önyargı m. Foritigation eğitimciler ve öğrenciler için, erişilebilir verileri nasıl giydiğini anlamak.