""
办公室技术商业化
http://www.research.umn.edu/techcomm
612-624-0550

机器学习为基础的动态活动推荐系统

技术#20180356
可穿戴设备深刻的学习结构评估,预测,并通过推荐个性化的活动,提高睡眠质量。

新的深度学习架构与可穿戴设备的预测能力

而乐见的,如fitbit和其他活动跟踪器,用于跟踪和记录用户的身体和睡眠活动,注释和数据的有效解释有用的需要专门知识。此外,纵向活动数据的评价只有在回顾完成。最近,研究人员在美国澳门新葡新京开发的数据挖掘和机器学习的方法来优化预测框架,即预计睡眠质量事前。通过一段时间评估一个人的身体活动,该算法建议采取一系列活动来提高个人的睡眠质量。

动态活动推荐改善睡眠行为

多导睡眠图(PSG)是用于临床睡眠诊断的金标准,并且需要多个传感器来跟踪大脑活动,身体运动,心脏速率,呼吸频率,和O 2水平。而PSG提供高保真的数据,因为病人在医院睡必需的,缺病人在熟悉的设置行为的更准确的图片精度低。在另一方面乐见可以跟踪睡眠和体力活动(活动记录),在熟悉的设置围绕四小时。这个推荐系统的开发是为了评估使用人类活动识别算法的个人活动记录数据。评估后,该算法可以识别导致好或睡眠质量差的行为模式。然后将这些图案用作目标行为,以保证良好的睡眠。这款机器学习算法可以与现有的穿戴式设备集成,以预测和建议高度个性化的行为变化,以改善睡眠的个人品质。

发展阶段

算法开发,在一个小的研究验证。目前在临床试验中具有较大的患者群体的评价。

Benefits & Features

  • 改善睡眠的结果与个性化的活动建议
  • 预测,而不是被动的分析
  • 睡眠质量自动评估使用低保真度可穿戴设备
  • 丰富的,比较多导睡眠全天活动数据产生更好的效果
  • 使用机器学习动计数据进行自动注释

应用

  • 可穿戴设备,智能手表
  • 行为干预
  • 机器学习的活动记录
  • 治疗失眠认知行为疗法


准备许可

该技术现已授权许可!大学很高兴与行业合作伙伴看到这种创新发挥其潜力。请联系 安德鲁明天 分享您的业务需求,并在此技术您的许可利益。 许可证是为销售,生产或使用受专利声称产品。