基于野外数据的服药活动识别系统促进用药依从性

文献标题

使用大规模非受控环境数据的药物摄入活动识别系统以促进药物依从性研究

文献信息

• 主题领域: 机器学习应用于健康管理，尤其是基于可穿戴技术的活动识别，聚焦于促进药物依从性
• 关键词: 人类活动识别, 可穿戴技术, 药物依从性, 日常生活活动, 智能手表

研究背景与问题

• 作者发现的问题或挑战:
  1. 全球多达50%的患者未按处方指示服用药物，这导致治疗效果下降和医疗成本增加。
  2. 现有的干预方法依赖电子药品包装、智能家居设备或移动应用，但这些方法缺乏个性化且依赖患者主动输入数据，难以实现对真实行为的自动监测。
  3. 药物服用动作通常在日常生活中只占极小的比重（数据类别不平衡），而现有解决不平衡数据问题的方法（如过采样）在这一领域表现欠佳。
• 为什么这个问题重要: 药物依从性低会导致更高的住院率、死亡率及医疗成本（每年在美国由此产生的医疗开销为1000亿至3000亿美元）。提高药物依从率不仅能改善患者健康管理，还能减轻医疗系统压力。
• 研究动机与相关工作:
  1. 学术界已有利用智能穿戴设备识别日常活动的研究，但针对药物服用活动的具体研究仍较少，且多限于实验室环境，而不是非受控的真实环境。
  2. 作者希望探索一种高效且实用的活动识别系统，能够:
     • 在非受控真实环境中准确识别药物摄入行为；
     • 使用通用的移动设备（如智能手表和手机）作为传感器来源。

解决方案

• 方法或解决方案:
  1. 提出了一种改进的基于集成学习技术的活动识别模型（称为"受控Bagging"）。
  2. 将"Bagging"算法调整为对少数类别（药物摄入活动）进行独立采样以解决类别不平衡问题。
  3. 引入"模型组合分类"（Portfolio Classification）的概念，通过初始分类器生成的预测概率分布进一步校正分类结果。
• 创新之处:
  1. 根据活动概率分布研究“投资组合分类”以改进预测能力。
  2. 在一个非受控、全日场景中对药物摄入行为进行多用户活动识别。
  3. 使用改良的Bagging方法，克服了单纯基于传统Bagging或随机森林无法适应极度数据不平衡的问题。
• 实施步骤与关键技术:
  1. 数据收集:
     • 通过智能手表收集日常加速度数据，覆盖包括刷牙、用餐及药物服用等多种活动。
     • 数据来源于9名参与者的真实一天活动，构建了一种“不受约束”的非实验室环境数据集。
  2. 数据预处理:
     • 滑动窗口方法切分传感器数据，窗口大小为1秒，重叠度为75%，以捕捉动作的细粒度特征。
     • 抽取106个高相关性特征（包括加速度能量、熵、频谱特征等）。
  3. 分类器设计:
     • 使用“受控Bagging”处理数据类别不平衡问题，控制内部分层随机采样的比例(skew参数)。
     • 引入组合分类策略，通过基准模型生成的预测概率进一步校准结果。
     • 对比多种二次分类策略（如SVM、Manhattan距离）衡量其性能提升效果。

研究成果

• 具体成果:
  1. 在用户自适应模型中，实现了对药物摄入活动的F1分数0.77，表明系统在现实世界环境中具有较高的精度和召回率。
  2. 提出了全新方法“投资组合分类”（Portfolio Classification），能有效利用预测概率模式校正分类器输出。
  3. 研究显示，“受控Bagging”算法能显著提高极度不平衡数据的分类性能，优于标准Bagging及随机森林。
• 与现有解决方案相比的优势:
  1. 能在真实的非受控环境中识别药物摄入行为，而非局限于实验室场景。
  2. 解决了活动识别模型在处理少数类不平衡数据时的优化问题（如传统Bagging或随机森林中的性能下降）。
• 实验或评估结果:
  1. 个体特定模型对少数类别的F1分数平均达到0.735；加入用户适配后提升到0.77。
  2. 各种实验对比证明，使用“受控Bagging”的模型在测试集上的性能显著优于随机森林等传统算法。
  3. 二次分类结合多种距离度量方式（如余弦相似性）进一步改善了模型性能。
• 局限性与未来方向:
  1. 当前数据集是单日收集，且部分动作（特别是药物摄入）是模拟行为。未来需基于真实长期数据验证系统的稳定性与推广性。
  2. 传感器数据依赖双手佩戴智能手表，但真实应用场景中，一些用户可能仅佩戴单只智能手表。
  3. 建议未来开发更多软硬件整合的轻量化设备模组，例如通过无屏幕的手环采集数据以提升佩戴舒适性。
  4. 拓展识别的活动种类及其在其他健康管理场景中的应用，例如运动分析或健康饮食管理。

通过这种研究路径，作者为设计智能医疗系统开辟了新的可能性，其核心技术和结果为未来开发个性化健康管理应用奠定了基础。