[论文解读] Machine Learning based Anomaly Detection for Smart Shirt: A Systematic Review

E. C. Nunes|arXiv (Cornell University)|Mar 7, 2022

Anomaly Detection Techniques and Applications被引用 4

一句话总结

本篇系统性综述分析了2017至2021年间11项基于机器学习的智能衬衫异常检测研究，重点关注跌倒检测、心律失常及姿势异常。研究发现，监督学习，尤其是支持向量机（SVM），在使用Hexoskin等设备的传感器数据时，准确率超过90%，其中跌倒检测是最常见的异常类型。

ABSTRACT

In recent years, the popularity and use of Artificial Intelligence (AI) and large investments on theInternet of Medical Things (IoMT) will be common to use products such as smart socks, smartpants, and smart shirts. These products are known as Smart Textile or E-textile, which has theability to monitor and collect signals that our body emits. These signals make it possible to extractanomalous components using Machine Learning (ML) techniques that play an essential role in thisarea. This study presents a Systematic Review of the Literature (SLR) on Anomaly Detection usingML techniques in Smart Shirt. The objectives of the SLR are: (i) to identify what type of anomalythe smart shirt; (ii) what ML techniques are being used; (iii) which datasets are being used; (iv)identify smart shirt or signal acquisition devices; (v) list the performance metrics used to evaluatethe ML model; (vi) the results of the techniques in general; (vii) types of ML algorithms are beingapplied.The SLR selected 11 primary studies published between 2017-2021. The results showed that6 types of anomalies were identified, with the Fall anomaly being the most cited. The Support VectorMachines (SVM) algorithm is most used. Most of the primary studies used public or private datasets.The Hexoskin smart shirt was most cited. The most used metric performance was Accuracy. Onaverage, almost all primary studies presented a result above 90%, and all primary studies used theSupervisioned type of ML.

研究动机与目标

• 确定利用机器学习在智能衬衫中检测的异常类型。
• 分析现有研究中使用的机器学习技术、数据集及性能指标。
• 评估机器学习模型在检测智能衬衫中生理与行为异常方面的性能。
• 确定当前研究中最常使用的智能衬衫或信号采集设备。
• 评估监督机器学习在可穿戴纺织品中实时异常检测方面的最新技术水平。

提出的方法

• 遵循Kitchenham和Charters的方法论，开展系统性文献回顾（SLR），以识别相关原始研究（2017–2021年）。
• 根据预设的纳入与排除标准，筛选出11项高质量原始研究。
• 提取有关异常类型、机器学习算法、数据集、信号采集设备、性能指标及模型结果的数据。
• 将机器学习技术分类为监督学习，重点关注异常检测的分类性能。
• 使用准确率、精确率、召回率、F1值和特异性等标准指标评估模型性能。
• 将结果映射以识别算法流行度、传感器类型（如加速度计、心电图）及设备型号（如Hexoskin）的趋势。

实验结果

研究问题

• RQ1 利用机器学习在智能衬衫中检测到哪些类型的异常？
• RQ2 在智能衬衫的异常检测中，最常应用的机器学习技术是什么？
• RQ3 该领域用于训练和评估机器学习模型的数据集有哪些？
• RQ4 在研究中，最常使用的智能衬衫或信号采集设备是什么？
• RQ5 使用了哪些性能指标？模型在准确率和分类指标方面的表现如何？

主要发现

• 识别出六类异常，其中“跌倒”是最常研究的类型，在11项原始研究中有五项涉及。
• 支持向量机（SVM）是使用最广泛的机器学习算法，在11项研究中有七项使用。
• 所有研究均采用监督学习，模型准确率在几乎所有情况下均超过90%——范围为90.01%至98.5%。
• Hexoskin智能衬衫是数据采集中最常被引用的设备，在多项研究中被使用。
• 准确率是最常报告的性能指标，在八项研究中使用，其次是F1值、精确率和召回率。
• 表现最佳的模型准确率超过98%（如A1和A11中的SVM），部分情况下特异性达98.5%，灵敏度达97.6%。