通过量化体育活动能耗(PAEE),医疗保健监测有可能刺激生命和健康的衰老,诱导老年人的行为变化并将这些与个人健康收益联系起来。为了能够在监测环境中测量PAEE,已经开发了可穿戴加速度计的方法,主要是针对年轻人。由于老年人受到能量需求和体育活动范围的不同,目前的模型可能不适合估计老年人之间的PAEE。由于过去的活动影响了PAEE,因此我们提出了一种以其模拟顺序数据,复发性神经网络(RNN)的能力所知的建模方法。要培训RNN为老年人口,我们使用了60岁及以上的34名健康参与者(平均65岁)的Gotov DataSet,进行了16种不同的活动。我们使用放置在手腕和脚踝上的加速度计,并通过间接量热法测量能量计数。优化之后,我们提出了一种由具有3 GRU层的RNN组成的架构和组合加速度计和参与者级数据的前馈网络。在本文中,我们描述了超越了基于GRU的RNN标准设施的努力,目的是实现最终领域的准确性。这些努力包括从平均到色散度量(SD,IQR,......)的切换聚合函数,将时间和静态数据(如年龄,重量,BMI)的特定于静态数据(如年龄,重量,BMI)以及添加符号活动数据,如先前培训的ML模型。由此产生的架构管理以通过近似10%提高其性能,同时将培训减少到10倍的训练输入。因此,可以使用与与代谢和认知健康和心理健康有关的生命力参数的关系。
translated by 谷歌翻译