REPOZITORIJ > REZULTATI

Povzetek

Komercialno dostopni pametni telefoni, pametna očala, pametne ure in pametni prstani so
le nekateri primeri naprav, opremljenih s senzorji, ki omogočajo tehnološko revolucijo, ki
jo doživljamo. Za nadaljnjo razširitev uspešne uporabe nosljivih naprav v sektorjih, kot je
mobilno zdravje, so potrebne metode za natančno merjenje psiho-fizioloških informacij.
Vendar pa je dostop do psiho-fizioloških informacij z uporabo nosljivih naprav še vedno
izziv. Eden od razlogov je, da odnos med senzorskimi podatki in človekovimi psihofiziološkimi
stanji ni tako nazoren, kot je odnos med senzorskimi podatki in posameznimi
fizičnimi stanji. Tako se soočamo z vprašanjem: kako naj senzorske podatke pretvorimo v
dragocene informacije o zdravju in vedenju ljudi? Dragocene informacije, ki lahko izboljšajo
zdravstvo, zmanjšajo stroške zdravstva, izboljšajo avtomobilsko industrijo, izboljšajo
športne zmogljivosti, izboljšajo kakovost življenja in na koncu rešijo človeška življenja.
V zadnjem desetletju je globoko učenje (GU) prevladovalo v svetu umetne inteligence,
saj je doseglo preboj na več področjih, kot so obdelava slik, obdelava naravnega jezika in
spodbujevano učenje. Tako bi lahko uspešen spoj klasičnega strojnega učenja (SU) in
metode GU pripeljal do vrhunskih rezultatov za mobilno spremljanje zdravja in obnašanja
z nosljivimi senzorji.
Ta disertacija predlaga splošno metodo za združevanje strokovnega znanja, klasičnega
SU in GU, da se omogoči pretvorba nosljivih senzorskih podatkov v dragocene podatke o
zdravju in obnašanju. Metoda vključuje: (i) učenje iz velikega števila strokovno
opredeljenih značilk z uporabo SU; (ii) novo arhitekturo za GU, imenovano Spectro-
Temporal ResNet, ki se neposredno uči iz surovih senzorskih podatkov s potencialom za
odkrivanje uporabnih vzorcev, neznanih strokovnjakom; in (iii) spoj klasičnega SU in GU,
ki uporablja meta-učenje. Metoda je bila uporabljena na sedmih področjih mobilnega
spremljanja zdravja in obnašanja. Sem spadajo kronično odkrivanje srčnega popuščanja s
pomočjo srčnih zvokov, prepoznavanje premikanja s senzorji pametnih telefonov,
odkrivanje motenj vožnje iz fizioloških in video senzorjev, spremljanje stresa, čustev in
kognitivne obremenitve s fiziološkimi senzorji ter ocena krvnega tlaka iz senzorjev EKG.
Predlagana metoda je na vseh eksperimentalnih področjih dosegala boljše rezultate kot
izhodiščne in najsodobnejše metode, ki so bile analizirane v študijah.
Kombinacija različnih senzorjev omogoča boljše modeliranje človekovih psiho-fizioloških
stanj, saj različni senzorji dajejo informacije o različnih delih človeškega živčnega sistema.
Na primer senzor, ki spremlja potenje, lahko meri aktivacijo simpatičnega živčnega sistema,
senzor, ki spremlja srce, pa lahko skupaj izmeri aktivacijo simpatičnega in
parasimpatičnega živčnega sistema. Poleg tega kombinacija različnih senzorjev in modelov
omogoča boljšo robustnost na šum v podatkih. Predlagano meta-učenje omogoča tudi
optimizacijo uspešnosti, personalizacijo in lahko modelira časovno odvisnost podatkov ter
izboljša uspešnost spremljanja človekovih fizičnih, fizioloških in psiholoških stanj.