[论文解读] Impact of Physical Activity on Sleep:A Deep Learning Based Exploration

Aarti Sathyanarayana, Shafiq Joty+6 more|arXiv (Cornell University)|Jul 24, 2016

Context-Aware Activity Recognition Systems参考文献 29被引用 73

一句话总结

本研究提出一种深度学习方法，通过可穿戴加速度计传感器的原始体动记录数据预测睡眠质量。通过直接将卷积神经网络（CNN）应用于未经处理的传感器数据，该方法在预测准确率上比最先进的经典模型提高了8%，消除了人工特征工程的需求，并简化了睡眠与体力活动研究中的临床工作流程。

ABSTRACT

The importance of sleep is paramount for maintaining physical, emotional and mental wellbeing. Though the relationship between sleep and physical activity is known to be important, it is not yet fully understood. The explosion in popularity of actigraphy and wearable devices, provides a unique opportunity to understand this relationship. Leveraging this information source requires new tools to be developed to facilitate data-driven research for sleep and activity patient-recommendations. In this paper we explore the use of deep learning to build sleep quality prediction models based on actigraphy data. We first use deep learning as a pure model building device by performing human activity recognition (HAR) on raw sensor data, and using deep learning to build sleep prediction models. We compare the deep learning models with those build using classical approaches, i.e. logistic regression, support vector machines, random forest and adaboost. Secondly, we employ the advantage of deep learning with its ability to handle high dimensional datasets. We explore several deep learning models on the raw wearable sensor output without performing HAR or any other feature extraction. Our results show that using a convolutional neural network on the raw wearables output improves the predictive value of sleep quality from physical activity, by an additional 8% compared to state-of-the-art non-deep learning approaches, which itself shows a 15% improvement over current practice. Moreover, utilizing deep learning on raw data eliminates the need for data pre-processing and simplifies the overall workflow to analyze actigraphy data for sleep and physical activity research.

研究动机与目标

• 探究深度学习模型是否能够利用原始可穿戴传感器数据提升睡眠质量预测性能。
• 比较深度学习模型（如CNN、LSTM）与经典机器学习方法（如逻辑回归、随机森林）在预处理数据与原始体动记录数据上的表现。
• 评估通过利用深度学习处理高维原始输入的能力，是否能够实现消除数据预处理与特征提取的可行性。
• 评估深度学习在使用消费级可穿戴设备的睡眠与体力活动研究中的临床潜力。
• 证明深度学习能够实现高于当前睡眠研究标准实践的预测性能。

提出的方法

• 本研究采用可穿戴设备获取的原始加速度计数据作为多种深度学习模型（包括CNN、RNN、LSTM和多层感知机（MLP））的输入。
• 使用人体活动识别（HAR）流程将数据预处理为带标签的活动特征，以与原始数据模型进行对比。
• 使用卷积神经网络（CNN）在原始时间序列加速度计数据上进行训练，以检测与睡眠质量预测相关的时空模式。
• 对学习率、小批量大小、dropout比率和隐藏层大小等超参数进行调优，以实现各模型的最佳性能。
• 采用标准评估指标衡量性能：AU-ROC、F1-score、精确率、召回率、准确率、敏感度和特异性。
• 比较在预处理HAR特征和原始传感器数据上训练的模型，以分离深度学习在原始输入上带来的影响。

实验结果

研究问题

• RQ1 在原始加速度计数据上训练的深度学习模型是否能够优于经典机器学习模型来预测睡眠质量？
• RQ2 与传统的HAR方法相比，使用未经特征工程的原始传感器数据在多大程度上提升了预测性能？
• RQ3 不同深度学习架构（CNN、RNN、LSTM、MLP）在原始体动记录数据上进行睡眠质量预测时表现如何？
• RQ4 深度学习模型在识别良好与不良睡眠模式个体方面具有多高的敏感度与特异性？
• RQ5 深度学习能否消除体动记录研究中耗时的数据预处理需求？

主要发现

• 卷积神经网络（CNN）在原始加速度计数据上表现最佳，AU-ROC为0.9456，F1-score为0.9444，准确率为0.9286。
• 与最先进的经典方法相比，CNN在原始数据上的预测性能额外提升了8%。
• 经典逻辑回归模型在原始数据上表现较差，AU-ROC仅为0.6463，凸显了传统模型在未经处理输入上的局限性。
• CNN模型表现出高敏感度（0.9714）与高特异性（0.8571），表明其在正确识别良好与不良睡眠模式方面能力出色。
• MLP模型在使用原始数据时相比HAR处理特征的性能提升了7%，表明原始输入对深度学习具有显著价值。
• RNN与LSTM模型相比逻辑回归有中等程度的性能提升，但受限于序列数据复杂性带来的梯度消失问题。