连续监测中使用可穿戴设备评估机器学习模型的再考虑

Dec, 2023

连续监测中使用可穿戴设备评估机器学习模型的再考虑

Reconsideration on evaluation of machine learning models in continuous monitoring using wearables

Cheng Ding, Zhicheng Guo, Cynthia Rudin, Ran Xiao, Fadi B Nahab...

TL;DR利用可穿戴设备进行连续健康监测的机器学习模型评估面临的挑战以及从大规模心脏研究中提供的全面指南。

Abstract

This paper explores the challenges in evaluating machine learning (ML) models for continuous health monitoring using wearable devices beyond conventional metrics. We state the complexities posed by real-world var

machine learning models continuous health monitoring wearable devices evaluation strategies robust ml model evaluation

发现论文，激发创造

ML Health: 为生产模型提供的健身追踪

ML Health 为监测机器学习模型预测性能潜在下降提出了一种诊断方法，并将该方法应用于一种实现了全生产生命周期的系统中，来自动化追踪并生成进一步调查的警报。

Feb, 2019

面向基于机器学习的医疗设备的后市场监控框架：以病例研究为例

通过将因果推断和统计过程控制方法结合起来，我们以术后恶心呕吐的风险预测算法为案例研究，定义候选监测标准、描述潜在偏差和因果模型，并具体说明和比较候选监测程序，以此作为发展比较各种监测选项的框架的第一步。

Nov, 2023

可推广的机器学习用于来自可穿戴设备的压力监测：系统性文献综述

综述当前利用可穿戴设备和机器学习技术监测与检测压力的研究，概括了公开的应力数据集、机器学习技术和未来研究方向。纵观文献，指出存在诸如标记方案、统计功效、压力生物标志物的有效性、广义能力等方面的问题。未来的研究会继续提供改进，随着新的、更丰富的数据集变得可用，现有的机器学习模型的泛化仍需要进一步研究。

Sep, 2022

重新思考流式机器学习评估

探讨了流式机器学习问题的本质，阐述了延迟标签等实际挑战，建议采用新的性能度量标准来评估模型。

May, 2022

应用神经网络机器学习算法提高医疗数据性能评价指标

这篇论文利用机器学习分析健康数据传输的准确度和效率来克服传输数据量和设备电池寿命的折中问题，结果表明 Levenbery-Marquardt 算法是最佳表现者之一，其精度为 79.17％，效率为 3.33，证明了机器学习可以在高效率的基础上，不牺牲精度而提高健康数据传输的效率。

Jan, 2022

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

监控机器学习模型：在线检测相关偏差

该研究提出了一种序列监测方案，通过考虑测量模型质量的时间依赖性，减少不必要的警报并解决多重测试问题，从而在检测模型质量相关变化方面优于基准方法。此研究为在动态环境中区分小幅波动和有意义的模型性能退化提供了实用解决方案，确保机器学习模型的可靠性。

Sep, 2023

研究使用可穿戴传感器的实验室抬举数据训练的机器学习模型在解决现实世界问题时的准确性

将在实验室数据上训练的机器学习模型转移到实际情境一直以来都是一个挑战。本文讨论将实验室训练的举重识别模型转移到实际情境中。我们发现其性能远低于训练数据，并提出了四个潜在的解决方案来提高模型性能。

Sep, 2023

使用机器学习预测运动员健身情况的移动健康数据

本研究对 Mhealth 数据进行了分析，并使用了几种机器学习算法来预测人类的运动行为和健康状态，最终结果表明 XGBoost 相对其他算法表现更好。这项研究对于使用 Mhealth 预测一个人对特定运动比赛是否适合有着很大的前景和潜力。

Apr, 2023

基于相位图像表征学习的深度学习增强可穿戴式实时血糖监测

美国有超过三分之一的成年人是糖尿病前期患者，其中 80％不知晓自己的状况。为了预防 2 型糖尿病和相关心脏疾病，需要更好的血糖监测。现有的可穿戴式血糖监测仪在小型数据集训练方面存在局限性，因为收集大量的血糖数据通常代价高且不现实。我们的研究采用改进的频域改变重现图机器学习方法，即使在有限数据集下，也能提高从可穿戴设备数据中预测血糖水平的准确性。该技术将先进的信号处理与机器学习相结合，提取更有意义的特征。我们使用历史数据对我们的方法进行了测试，结果显示我们的方法在预测实时间质血糖水平方面超过了当前的 87％准确性基准。

Jun, 2024