卡塔尔世界杯8强波胆分析

摘要

背景:

药物依从性是一种复杂的人类行为，与慢性疾病的自我管理有关。药物依从性是一项全球公共卫生挑战，因为只有约50%的人坚持其药物治疗方案。智能手机应用程序和提醒在促进药物依从性方面显示出可喜的结果。然而，一旦人们被提醒，确定是否服用药物的实际机制一直难以捉摸。新兴的智能手表技术可能比现有的方法更客观、更不显眼、更自动地检测药物服用情况。

摘要目的:

这项研究旨在检验使用智能手表检测自然服药手势的可行性。

方法:

招募的参与者(N=28)年龄在20 - 60岁之间，男性占57.0%，女性占43.0%。大多数是大学生(71.4%)、单身(86.0%)和至少有兼职工作(61.0%)。样本体现了种族多样性，4%的非裔美国人，43%的亚洲人，43%的白人，10%的人报告了两个或两个以上的种族1。大多数参与者是右手为主(82%)，而只有1名参与者(4%)是双手灵巧的。在数据收集过程中，每位参与者每天记录至少5次方案指导(脚本)服药事件(sMTE)和至少10次自然服药事件(nMTE)，持续5天。使用智能手表，以25Hz的采样率记录每次会话的加速度计数据。原始记录由一名团队成员仔细检查，以验证自我报告的准确性。验证后的数据用于训练人工神经网络(ANN)来检测服药活动。训练和测试数据包括先前记录的吸烟、饮食和慢跑活动的加速度计数据，以及本研究中记录的服药数据。通过比较人工神经网络的输出与实际输出来评估模型识别服药的准确性。

结果:

总共使用了2800个服药手势(1400个自然手势加上1400个脚本手势)来训练网络。在测试过程中，560个之前没有呈现给人工神经网络的nMTE事件被用来评估网络。计算了各种指标，如准确性、精度和召回率，以确认网络的性能。训练后的人工神经网络的平均真阳性表现为96.5%，平均真阴性表现为94.5%。该网络对服药手势的错误分类误差小于5%。

结论:

智能手表技术可以提供一种准确的、非侵入性的方式来监控人类行为，比如自然服药的手势。将机器学习算法与现代传感设备相结合，可以显著改善药物依从性和监测。