ICMLMar, 2023

利用卷积神经网络和集成学习从可穿戴设备预测睡眠质量

PDF
TL;DR本文介绍了利用可穿戴设备识别睡眠阶段的方法，并使用 NetHealth 数据集和深度学习算法 Convolutional Neural Networks 和传统的 Random Forest 进行了比较。
发现论文，激发创造
  • 使用卷积神经网络预测睡眠质量

    利用卷积神经网络结构对现代智能科技中可捕获的人类睡眠数据进行分类，提高睡眠阶段识别精度，并在三个公开数据集上与传统机器学习方法如逻辑回归、决策树、K 最近邻、朴素贝叶斯和支持向量机进行基准测试的性能表现进行对比，以此为未来研究模拟奠定基础。

    Apr, 2022

  • 使用卷积神经网络基于活动监测的睡眠 / 清醒模式检测

    该研究利用深度卷积神经网络来识别睡眠 / 清醒状态，以拓展标准的 “睡觉” 和 “清醒” 活动空间，进一步研究睡眠 / 清醒状态与丛集性头痛发作的关系。

    Feb, 2018

  • 体育锻炼对睡眠的影响：一项基于深度学习的探索

    本文探讨了利用深度学习建立基于 actigraphy 数据的睡眠质量预测模型，并使用卷积神经网络在原始穿戴式传感器输出上进行建模以提高睡眠质量的预测价值，使得睡眠和身体活动研究的数据预处理不再需要，简化了整个工作流程

    Jul, 2016

  • 日内活动更好地预测慢性病情况

    本研究通过对移动健康可穿戴设备和应用的 7,261 名用户的一天内活动模式进行研究，发现使用穿戴式追踪器记录的步数和睡眠数据明显提高了与精神健康和神经系统紊乱相关的自我报告的慢性病症状的分类效果。通过联合预测所有疾病类型，利用多任务学习可以提取横跨数据集的特征，并实现最高的分类性能。该研究证实了使用卷积神经网络对多变量时间序列进行直接训练，可以实现领先于基线模型的分类性能。

    Dec, 2016

  • 利用可穿戴设备的机器学习模型自主识别认知能力较弱的老年人

    穿戴设备预测模型、认知损害、机器学习模型、预测特征、持续健康监测

    Aug, 2023

  • PARIS: 个性化活动推荐以改善睡眠质量

    使用机器学习技术，利用活动监测和健康追踪设备收集的数据，通过行为模式和活动推荐来提高人们的睡眠质量。

    Oct, 2021

  • 使用机器学习从佩戴在手腕上的加速度计数据标注儿童的睡眠状态

    通过使用支持向量机、提升算法、集成方法、LSTMs 和基于区域的卷积神经网络等不同的机器学习技术对加速度计数据进行建模，我们旨在自动、准确、可扩展地对睡眠日志进行标注，以评估和比较这些方法的预测能力和模型性能。

    Dec, 2023

  • 低功耗可穿戴平台上基于卷积 - 循环神经网络的心律失常检测

    本研究旨在优化低功耗传感技术在医疗保健中的应用，通过使用机器学习和神经网络的方法对生理信号进行监测和识别，提高传感设备的临床价值，并在使用嵌入式处理器 nRF52 时实现低功耗高精度计算。

    Jan, 2020

  • 利用近红外视频摄像头测量的生命体征和活动进行的深度学习睡眠分期

    利用视频数据和深层迁移学习的方法，通过心率、呼吸速率和活动度等参数对睡眠进行分类，其在 50 名正常志愿者数据集上实现了 73.4% 的准确率和 Cohen's kappa 系数 0.61，成为基于视频的睡眠分级的最新研究水平。

    Jun, 2023

  • 使用卷积神经网络进行个性化的人类活动识别

    使用卷积神经网络的传递学习框架，以最小用户监督建立个性化活动识别模型，从而克服佩戴式传感器个性化人体活动识别模型在新用户或用户的物理 / 行为状态改变时性能显著降低的问题

    Jan, 2018