[论文解读] Shesop Healthcare: Stress and influenza classification using support vector machine kernel

Andrien Ivander Wijaya, Ary Setijadi Prihatmanto+1 more|arXiv (Cornell University)|Jan 1, 2016

Heart Rate Variability and Autonomic Control参考文献 9被引用 2

一句话总结

该论文提出了一种基于心率变异性（HRV）特征（具体为平均心率、平均R-R间期、HR标准差和IBI标准差）的支持向量机（SVM）分类器，用于从可穿戴设备数据中检测压力和流感。通过应用高斯核将二维HRV特征映射到三维空间，该模型在分类压力时达到95%的准确率（20例中正确19例），在分类流感时达到85%的准确率（20例中正确17例），证明了通过智能手表实现非侵入性、实时健康监测的可行性。

ABSTRACT

Shesop is an integrated system to make human lives more easily and to help people in terms of healthcare. Stress and influenza classification is a part of Shesop's application for a healthcare devices such as smartwatch, polar and fitbit. The main objective of this paper is to classify a new data and inform whether you are stress, depressed, caught by influenza or not. We will use the heart rate data taken for months in Bandung, analyze the data and find the Heart rate variance that constantly related with the stress and flu level. After we found the variable, we will use the variable as an input to the support vector machine learning. We will use the lagrangian and kernel technique to transform 2D data into 3D data so we can use the linear classification in 3D space. In the end, we could use the machine learning's result to classify new data and get the final result immediately: stress or not, influenza or not.

研究动机与目标

• 开发一种基于可穿戴设备心率数据的非侵入性、实时分类系统，用于检测压力和流感。
• 识别对压力和流感检测最具区分性的HRV特征（例如，平均心率、SDIBI）。
• 应用带拉格朗日优化和高斯核的SVM，实现在变换后三维空间中的有效线性分类。
• 在长时间收集的真实HRV数据上验证模型的预测性能。

提出的方法

• 从长期心率数据中提取时域HRV特征：平均心率（meanHR）、平均R-R间期（meanIBI）、心率标准差（SDHR）和IBI标准差（SDIBI）。
• 使用拉格朗日对偶优化求解SVM对偶问题，以确定最优超平面参数。
• 应用高斯核函数将二维输入特征（如SDevHR和SDevRR）映射到三维特征空间，以实现线性可分性。
• 基于阈值进行压力和流感分类：若水平 > 2（标记为+1），则判定为压力；若≤2（标记为-1），则判定为正常；若水平 > 1，则判定为流感。
• 在标记的HRV数据上训练模型，并在未见数据上进行测试，以评估分类准确率。
• 通过绘制平均HR与平均IBI的散点图，可视化数据重叠和误分类模式，以诊断模型局限性。

实验结果

研究问题

• RQ1 HRV特征（如meanHR、meanIBI、SDHR和SDIBI）是否能有效区分压力与非压力状态？
• RQ2 相同的HRV特征是否能可靠地区分流感与健康状态？
• RQ3 基于核函数的SVM变换是否能提高非线性可分HRV数据的分类准确率？
• RQ4 特征空间中的数据重叠如何影响流感检测的分类性能？
• RQ5 能否仅使用标准HRV指标构建轻量化、实时的模型，以应用于消费级可穿戴设备？

主要发现

• SVM模型在分类压力时达到95%的准确率，20个测试案例中正确识别了19例。
• 流感分类准确率为85%，20个测试案例中正确预测了17例。
• 模型对一例压力情况出现假阳性预测，其输出得分仅为0.388，表明该分类处于临界状态。
• 流感误分类主要源于平均HR与平均IBI特征空间中的数据点重叠，尤其是在决策边界附近。
• 高斯核有效将二维HRV特征转换到三维空间，实现了更好的线性分离，从而提升了分类性能。
• 随着训练数据集的扩大，模型准确率有望进一步提升，尤其是针对更具模糊性的流感类别。