使用PIR传感器测量的室内移动模式,通过机器学习对老年人健康相关生活质量进行分类

《Sensors》:Indoor Mobility Patterns Measured by PIR Sensors for Classifying Health-Related Quality of Life in Older Adults Using Machine Learning

【字体: 大 中 小 】 时间:2026年07月29日 来源:Sensors 4.0

编辑推荐:

  被动红外(PIR)传感器提供了一种低成本、非侵入性且保护隐私的方法,用于持续监测老年人的日常活动。本研究调查了源自PIR传感器的室内移动特征能否区分独居社区老年人的健康相关生活质量(HRQoL)水平。从三个月的PIR传感器记录中提取移动变量,并在参与者层面(4

  
被动红外(PIR)传感器提供了一种低成本、非侵入性且保护隐私的方法,用于持续监测老年人的日常活动。本研究调查了源自PIR传感器的室内移动特征能否区分独居社区老年人的健康相关生活质量(HRQoL)水平。从三个月的PIR传感器记录中提取移动变量,并在参与者层面(40名个体)进行汇总,根据EQ-5D指数将其分为高HRQoL组和低HRQoL组。研究人员实施了一种嵌套分层五折交叉验证框架,仅在训练折内引入RandomOverSampler以解决类别不平衡问题,同时保持外层测试折的原始分布。研究人员使用准确率、精确率、召回率、F1分数和受试者工作特征曲线下面积(AUC)评估了三种机器学习分类器——支持向量机(SVM)、随机森林和K近邻(KNN)。SVM实现了最佳整体性能,准确率为、精确率为、召回率为、F1分数为、AUC为。随机森林实现了可比的AUC,而KNN显示出较低的整体性能和较大的外层折间变异。汇总的折外预测进一步提供了保留原始参与者分布的类别特异性性能估计,证实模型评估仅在非过采样的测试数据上进行。总体而言,研究结果支持将PIR衍生的移动特征与可解释的机器学习模型相结合以研究老年人HRQoL的可行性。这些结果应被视为可行性证明,并需要在更大、独立且更多样化的队列中进行验证。
**论文解读:基于PIR传感器室内移动模式与机器学习分类老年人健康相关生活质量的研究**

**研究背景与问题**
室内移动性是反映老年人功能状态、健康和福祉的基本指标。社区老年人约83%的时间在家中度过,室内移动模式的变化可提供身体、认知或情感障碍的早期信号。已有研究表明,室内活动在认知健康与受损老年人之间存在显著差异,日常活动规律的中断往往是功能或认知衰退的早期表现。然而,现有研究多聚焦于认知下降或特定疾病的行为标志,较少关注被动传感器测量的移动指标与主观健康相关生活质量(HRQoL)之间的关联,尤其是在独居老年人中。此外,利用被动红外(PIR)传感器结合监督机器学习来区分HRQoL水平的研究仍十分有限。因此,本研究旨在探讨PIR传感器衍生的室内移动特征能否有效区分社区独居老年人的高、低HRQoL水平,填补这一研究空白。论文发表在《Sensors》。

**研究内容与结论**
研究人员招募了40名智利瓦尔帕莱索地区独居的社区老年人,使用PIR传感器在家庭各功能区域(卧室、客厅、厨房)连续监测三个月,提取移动频率和时间移动变异性(TMV)等移动指标,并基于EQ-5D-3L问卷的指数将参与者分为高HRQoL组(27人)和低HRQoL组(13人)。采用嵌套分层五折交叉验证框架,仅在训练折内使用RandomOverSampler处理类别不平衡,外层测试折保持原始分布。评估了支持向量机(SVM)、随机森林和K近邻(KNN)三种分类器。结果显示,SVM实现了最佳整体性能(准确率、精确率、召回率、F1分数和AUC均最高),随机森林的AUC与SVM可比,但KNN整体性能较低且变异较大。汇总的折外预测进一步提供了类别特异性性能,SVM在两组间表现最均衡,随机森林对低HRQoL组召回率较低,KNN对低HRQoL组召回率最高但整体准确性下降。研究结论支持PIR传感器衍生的移动特征与可解释机器学习模型结合用于探索HRQoL的可行性,但需在更大、更独立的队列中验证。

**关键技术方法**
研究使用PIR传感器(Quida平台)部署于家庭多个房间,记录三个月内的移动事件。关键方法包括:1)从PIR激活数据中提取移动频率(每日归一化激活次数)和时间移动变异性(TMV,即事件间隔的标准差)作为主要指标,并衍生出对数变换频率、对数变换TMV、TMV-频率比和移动强度指数等特征;2)使用EQ-5D-3L问卷评估HRQoL,以0.6为阈值划分高/低组;3)采用嵌套分层五折交叉验证,结合RandomOverSampler仅对训练折进行过采样;4)使用SVM(RBF核)、随机森林和KNN三种分类器,通过网格搜索优化超参数,评估指标包括准确率、精确率、召回率、F1分数和AUC。样本队列来源于智利瓦尔帕莱索地区40名独居社区老年人。

**研究结果**
5.1 移动频率与HRQoL的描述性分析
通过比较高、低HRQoL组的移动频率,发现高HRQoL组的中位每日移动频率(316.0次/天)高于低HRQoL组(261.0次/天),归一化后的频率也呈现类似趋势(313.6 vs 246.0次/有效天)。尽管组间差异未达到统计学显著性(Mann–Whitney U检验),且与连续EQ-5D指数的关联较弱(Spearman ρ=0.19),但方向一致,表明更高室内活动水平与更好感知健康状况相关,为后续机器学习分析提供了描述性基础。

5.2 模型性能分析
在嵌套分层五折交叉验证下,SVM获得了最佳整体性能(准确率、精确率、召回率、F1分数和AUC均最高),随机森林的AUC与SVM可比,但KNN整体性能较低且外层折间变异较大(表2)。ROC曲线显示SVM和随机森林的AUC相近,KNN的AUC较低(图3)。汇总折外预测(OOF)的类别特异性分析(表3)表明,SVM在两HRQoL组间性能最均衡;随机森林对高HRQoL组表现好但对低HRQoL组召回率低;KNN对低HRQoL组召回率最高但整体准确性和F1分数较低。这表明不同分类器在处理不平衡数据时存在权衡。

**讨论与结论**
讨论部分指出,尽管单一移动指标未显示显著差异,但多元机器学习模型能捕捉到多个移动特征组合中的非线性关系,从而区分HRQoL组。SVM的优越性能提示非线性决策边界更适合此类数据。研究强调PIR传感器衍生的移动指标具有行为可解释性,可作为传统患者报告结局的补充。结论部分翻译如下:
PIR传感器与机器学习算法的整合是评估室内移动性并探索其与老年人健康相关生活质量(HRQoL)关系的可行策略。尽管单变量分析未发现HRQoL组间的统计显著差异,但多变量分析表明,PIR传感器提取的互补移动特征包含用于区分感知健康状况的有意义信息。通过使用嵌套分层五折交叉验证框架(仅在训练折内应用RandomOverSampler),评估的机器学习模型获得了令人鼓舞的预测性能。其中,SVM提供了最佳整体性能,随机森林实现了可比的判别能力。基于汇总折外预测的互补类别特异性分析进一步揭示了HRQoL组间分类器敏感性的差异,强调了在分析不平衡数据集时评估整体和类别特异性性能的重要性。总体而言,本研究展示了将非侵入性环境感知与可解释机器学习模型相结合以研究社区老年人HRQoL的可行性,为未来基于家庭功能评估的数字健康应用奠定了基础,但需在更大、更独立的队列中验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号