基于AutoML的交互玩具加速度计数据人类行为识别及其在健康医学中的应用

本综述系统探讨了利用自动化机器学习（AutoML）技术从交互玩具的加速度计数据中识别人类行为（如拍打、摇晃、投掷等）的创新方法。研究通过对比多种传统机器学习算法（如贝叶斯网络、多层感知机MLP等），证实AutoML在行为分类任务中表现卓越（精确度达94.4%，ROC面积0.992），为行为障碍诊断及人机交互（HRI）研究提供了高效技术路径。

　　

Highlight

Material and methods（材料与方法）

本研究采用的方法（见图1）遵循结构化流程，包括数据采集、预处理和模型选择，旨在基于加速度数据对儿童针对玩具的侵略性交互行为进行分类。首先，我们获取并合并了公开数据集，筛选出特定交互类别进行分析。随后，通过预处理步骤将分类变量转换为适合机器学习模型的数值表示。未进行数据清洗或特征工程，以保持数据原始性。最终，应用AutoML（基于Thornton等人方法）和传统机器学习算法进行模型训练与评估。

Results（结果）

实验在Windows 10 64位操作系统、Intel(R) Core(TM) i7-1065G7 CPU @ 1.30 GHz（8核）、1.5 GHz、12 GB内存的计算机上运行。采用Auto-Weka 2.6.4库（基于Weka 3.8.6）实现Thornton等人的方法。进行了两项AutoML实验：i) Exp-A和ii) Exp-B。表5展示了Exp-A的混淆矩阵，其中观察到...

Conclusion and future works（结论与未来工作）

行为分析已成为关键研究领域，因其在疾病诊断、医疗治疗和人机交互（HCI）中的重要意义。本研究比较了一系列传统机器学习算法（如贝叶斯网络、多项逻辑回归、多层感知机MLP、朴素贝叶斯和RIPPER）与AutoML方法。结果表明，AutoML在关键评估指标上表现卓越，精确度达0.944，ROC曲线下面积为0.992，显著优于传统方法。未来工作将扩展数据集并探索深度学习集成，以进一步提升行为识别在健康医学中的应用潜力。