利用智能手机的人机交互常规行为数据挖掘与建模技术,实现日常压力监测
《Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies》:Leveraging Smartphone Human Interaction Routine Behavior Task Mining and Modeling for Daily Stress Monitoring
【字体:
大
中
小
】
时间:2025年12月04日
来源:Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies
编辑推荐:
摘要
随着移动传感技术的进步,对于可扩展且可解释的压力监测解决方案的需求日益增长,同时这些解决方案需要具备长期稳定性。现有的智能手机被动传感方法依赖于应用程序使用统计特征或多模态传感器数据,这使得它们容易受到数据分布变化
摘要
随着移动传感技术的进步,对于可扩展且可解释的压力监测解决方案的需求日益增长,同时这些解决方案需要具备长期稳定性。现有的智能手机被动传感方法依赖于应用程序使用统计特征或多模态传感器数据,这使得它们容易受到数据分布变化和特征演变(例如,模式漂移)的影响,并增加了模型的复杂性。为了解决这些问题,我们提出了基于智能手机用户交互的常规行为任务挖掘、建模和特征提取(SHIRBT-MMF)框架。该框架通过挖掘细粒度的交互常规任务来模拟与压力相关的行为,而不是聚合应用程序使用模式。SHIRBT-MMF利用多层次序列模式挖掘和基于大型语言模型的自动化任务建模,从应用程序内的用户界面状态转换中提取可解释且稳定的特征。与传统方法不同,SHIRBT专注于一组小而一致的常规任务,从而减轻了协变量变化和特征演变的影响,同时提高了模型的鲁棒性。我们通过包含26名参与者的为期一个月和四个月的实际数据集验证了SHIRBT-MMF的有效性,结果表明,基于SHIRBT的个性化模型平均准确率为75%,比基线模型高出5%,同时仅使用了3-6%的应用程序类型。此外,SHIRBT提取的特征随时间保持稳定,减少了协变量变化,确保了可靠的性能。凭借其可扩展性、可解释性以及对隐私的关注,SHIRBT-MMF框架为个性化数字心理健康监测奠定了基础。
生物通微信公众号
生物通新浪微博
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