基于无监督集成算法的加速度计未佩戴时段检测：儿科真实与模拟数据的性能评估

《Scientific Reports》：Unsupervised ensemble methods for non-wear detection from triaxial accelerometer data in children following continuous monitoring

　　

摘要

来自未佩戴时段的加速度计信号常被误分类为静止时间或睡眠，这可能会使对体力活动健康影响的解释产生偏差。虽然存在未佩戴检测算法，但其性能因人群和活动模式而异。为此，我们使用斯坦福睡眠加速度计研究（15 名儿童，年龄 4–18 岁）的数据和一个由真实儿科数据构建的模拟数据集（100 名受试者）开发并评估了无监督集成算法。我们将两种无监督集成方法（SUMMA 和 BI）以及一种简单多数投票集成与源自三种算法（Choi、NHANES 和隐马尔可夫模型（HMM））的九个基础分类器进行了比较。在整个过程中，未佩戴被视为正类。使用敏感度、特异度、平衡准确率以及受试者间的误差变异性来评估性能。单个算法表现出性能权衡：Choi 在长静止和睡眠期间表现良好，但常错过短时未佩戴间隔，而 HMM 能识别短时未佩戴间隔，但低估了静止时间。集成方法提供了相当的平衡准确率，并在敏感度和特异度之间取得了更好的平衡。在模拟数据集中，SUMMA 达到了 67.7% 的敏感度、87.1% 的特异度和 77.5% 的平衡准确率，相比之下，最佳单个基线算法 NHANES_VM 为（63.4%、90.3%、77.1%）。总体而言，集成方法在受试者间表现出更稳定的性能，并在具有异质活动模式和短时未佩戴时段的场景中，提供了一种不依赖单一未佩戴检测算法的有用替代方案。