Jan, 2024

通过移动电话传感器的人格特质推断：一种机器学习方法

PDF
TL;DR通过手机传感器收集的活动数据可可靠地预测人的个性。使用从加速度计记录和运动模式计算出的指标，我们能够在两类问题上预测用户的个性，F1 得分最高可达 0.78。这些新颖的个性指标为社会科学的未来研究开辟了新的途径。我们的结果揭示了不同的行为模式，这些模式对五个大的人格特征有不同的预测作用。它们为无问卷调查地研究与个性相关的问题提供了成本效益高、前所未有规模的可能性。总体而言，本文展示了通过智能手机传感和机器学习技术获取丰富的行为数据如何促进个性研究，并能够为从业者和研究人员提供有关个性不同行为模式的信息。这些发现对于利用移动传感器数据进行个性评估的组织具有实际意义，并将指导未来更精确和高效的预测模型的改进。
发现论文，激发创造
  • 使用智能手机的加速度计数据进行人员识别

    该论文提出了一种利用手机内置的加速度计传感器数据来识别用户身份的方法，通过建立一个随机森林分类模型，从步行数据样本中提取时间和频率信息特征。实验结果表明，该模型具有 0.9679 的准确率和 0.9822 的曲线下面积（AUC），可为智能手机提供一种低成本、高效的用户身份认证方法。

    Nov, 2017

  • 基于机器学习的智能手机感知驾驶员行为分类

    使用 Carla 模拟器中的移动传感器数据，结合机器学习算法进行时间序列分类，以识别具有风险的驾驶行为。

    Feb, 2022

  • 利用周边移动传感器预测非侵入式健康诊断的接近性

    利用智能手机上的多个传感器学习数据以检测人体与移动设备的三维空间接近性，以提供非侵入式医疗诊断信息。该预测技术实现了高达 88.75％的准确度和 88.3％的特异性。

    Dec, 2015

  • 基于手机数据、天气状况和个体特征的每日压力识别

    通过分析用户的移动电话活动和额外指标，如天气条件和人格特征等数据，我们提出了一种替代方法，可靠地识别日常压力水平，并且高效易实现。

    Oct, 2014

  • 利用手机传感器对人机交互进行建模：用户身份认证的研究数据集和概述

    该研究总结了现代智能手机上常见的传感器，并提出了一个利用这些传感器模拟人与智能手机之间交互的维度分类法。其应用包括神经运动技能、认知功能和行为或例行程序，尤其关注用户认证方面的应用。通过使用人类移动交互的新型多模式数据库（HuMIdb 数据库），以深度学习中的连体神经网络为基础，该研究还检验了一个基于简单线性触摸手势的生物识别认证系统，达到了 87% 的准确率。

    Jun, 2020

  • 基于手机传感器数据的抑郁症诊断和预测

    本文研究了利用移动电话数据进行抑郁症预测的方法，并提出了使用 LSTM 网络进行建模的解决方案，实验结果表明该预测任务的准确率与抑郁症诊断任务相当，精度可达 77.0％。

    May, 2022

  • 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

  • 从移动数据中学习语言和多模态隐私保护的情绪标记

    通过对高自杀风险人群进行研究，本文从语言和移动文本的多模态表示等方面分析了手机使用行为与情绪的关联，并提出一种保护隐私的深度学习方法来提高智能手机数据的使用价值。

    Jun, 2021

  • 行为生物特征认证中常用的机器学习分类模型探究

    讨论了现有行为生物识别移动认证中使用的关键机器学习算法，重点关注使用触摸动态和手机移动的算法。

    Apr, 2022

  • WEARS：利用实时传感器数据的可穿戴情感人工智能

    使用智能手表传感器预测用户情绪，通过使用英文和区域语言视频收集数据，将问题建模为二元分类，并使用多个机器学习模型进行试验，发现多层感知器对愉快 - 不愉快情绪的分类具有最高准确率达到 93.75%。

    Aug, 2023