WiSleep: Smartphone-driven Sleep Population Monitoring with Unsupervised Learning
Notice bibliographique
Résumé
With sleep deprivation being a public health concern, sleep monitoring technology, mainly through consumer-grade wearables, has shown value among users to better understand their most fundamental measure of health. Unfortunately, utilizing wearable technology is bound to the conditions of users owning these devices and using them at bedtime every night. While wearables can deliver highly personalized sleep insights to users, they inadvertently affect the ability of sleep monitoring solutions to reach unprivileged sections of society due to added costs and device accessibility. With our primary motivation to promote sleep monitoring for public health use cases at the population scale, we developed WiSleep , a sleep monitoring system that infers sleep duration from solely relying on a user’s smartphone without requiring a wearable device. Unlike prior efforts that use supervised learning methods and require labeled training data to train sleep models, our method is based on unsupervised learning, which enables easy deployment to new population groups or new regions without a need for labeled data collection and training. Specifically, we employ the smartphone activity of the user, represented by time series of WiFi network event rates, as input data to infer the user’s sleep duration (i.e., sleep time and wake time) through an unsupervised Bayesian change point detection ensemble model. Our evaluation shows WiSleep ’s efficacy in being a low-cost accessible sleep monitoring approach. We present results that yield comparable performance to prior techniques, particularly those requiring new users’ labeled data to achieve model personalization. System evaluation from a user study achieved an average of 93.68% accuracy within 59 minutes of sleep time error, 31 minutes of wake time error, and 57 minutes of sleep duration error by utilizing coarse-grained time series data. We demonstrate the application of our technique to predict sleep for 1,000 anonymous users and enable population-scale analytics with low computational overhead.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».