PhysioLLM 个性化健康洞察:手表可穿戴设备实时数据 + 大模型

个性化健康洞察:可穿戴设备实时数据 + 大模型

    • 提出背景
    • PhysioLLM 图
      • PhysioLLM 实现
        • 数据准备
        • 用户模型和洞察生成
        • 个性化数据总结和洞察是如何生成的?
      • 解析分析

 


提出背景

论文:https://arxiv.org/pdf/2406.19283

虽然当前的可穿戴设备伴随应用,允许用户通过图形表示探索收集的数据,但发现可行的见解仍然是一个挑战。

仅靠数据可视化可能导致在解释数据时产生偏见。

此外,虽然用户可以搜索特定问题的解决方案,但这些查询通常没有在其数据的背景下进行语境化。

个性化和富有洞察力的响应成为我们的主要研究。

PhysioLLM,这是一个交互式系统,通过整合来自可穿戴设备的生理数据与上下文信息,利用 LLMs 提供个性化的健康理解与探索。

与市面上的商业健康应用不同,我们的系统提供了一个全面的统计分析组件,该组件可以发现用户数据中的相关性和趋势,允许用户用自然语言提问并接收生成的个性化见解,并引导他们制定可行的目标。

作为案例研究,我们关注于改善睡眠质量,鉴于其通过生理数据的可测量性以及对总体福祉的重要性。

通过对24名Fitbit手表用户的用户研究,展示了PhysioLLM在促进深入的个性化健康数据理解和支持朝个人健康目标迈进的行动步骤方面,均优于单独使用Fitbit应用程序 和 一般的LLM聊天机器人。

 

可穿戴健康监测设备的出现,如Fitbit、苹果手表和三星Gear,使得连续收集详细的生理数据成为可能,例如心率、活动数据和睡眠阶段。

这些设备为我们的个人健康带来便利和意识,并提供了对个人习惯及其对生理状态影响的详细了解。

这些数据和趋势可以帮助促进更健康的行为,甚至可能帮助检测健康问题。

虽然制作可访问和准确的健康监测系统很重要,但希望改变习惯的个人目前需要首先深入了解他们的生理数据及其与日常生活的关联,最后思考实现积极变化的方法。

然而,用户常常难以理解这些数据并将其转化为有意义的行动。

与数据的交互通常是由手机和可穿戴设备提供的图形用户界面预定义的,这些界面提供的交互有限,建议也通常是泛泛而谈,缺乏个性化见解。

LLMs可能是应对这些挑战的有希望的解决方案。

首先,它们使个人能够进行无限制的提问,通过与界面交互前后的评估,了解他们对自己的睡眠数据的理解、交互后的动机感以及基于交互的目标的可操作性。

结果显示,与基于LLM的系统聊天,利用我们的LLM架构提供有效的个性化见解,可以改善个人对自身健康的理解。

与通用的LLM-based聊天机器人相比,界面被感知为更加个性化。

事实上,后者导致用户改变的动机减少,其目标的可操作性也被发现较低。

我们还采访了两位睡眠专家,审查系统生成的个人见解及其对用户的回应和建议。

总的来说,专家们认为见解合理,但指出系统倾向于过分强调相关性值。

他们建议通过向LLM提供更多关于数据生成过程的背景信息,并调整回应使其在基于稀疏数据和可能的伪相关时更为谨慎,来改进系统。

总结本研究的贡献如下:

  • 一种新颖的LLMs编排方式,整合生理和上下文数据,支持关于个性化健康见解的对话。
  • 一项与系统互动的24名用户进行的实地研究,及从定量和定性结果中得出的研究见解。
  • 证据显示界面被感知为个性化,并通过个性化见解有效改善用户对其健康的理解。
  • 两位睡眠专家对生成的个人见解和建议的准确性和质量的初步评估。

PhysioLLM 图

在这里插入图片描述

这幅图是一个关于PhysioLLM系统的概览图,展示了一个与睡眠健康相关的示例对话。

图中的流程分为几个部分:

  1. 生物数据和Fitbit数据:系统收集并整理用户的生物信息和Fitbit设备记录的数据。

  2. 数据准备:数据被分析,包括汇总、趋势和相关性分析。

  3. 洞察生成:使用GPT模型基于数据生成洞察,提供数据来源、洞察、解释和可能性。

  4. 对话

    • 初步对话:系统向用户介绍他们的睡眠健康状况,基于Fitbit数据提供概览,包括平均步数、活动水平、平均睡觉和起床时间,以及睡眠效率。
    • 洞察:系统分析日间活动与睡眠数据的相关性,揭示如活动与睡眠效率、久坐行为与睡眠时长、活跃峰值与心率峰值之间的关系。
    • 后续提问建议:系统建议用户可以进一步探询的问题,如身体疲劳如何影响睡眠周期,或久坐行为如何影响睡眠结构。
    • 用户响应:对于如何每日步数影响深度睡眠百分比的问题,系统提供了一个基于数据的正面关联解释,并提出增加日常活动可能改善深度睡眠质量。

这个系统通过自然语言处理技术来帮助用户理解并优化他们的健康习惯。

PhysioLLM 实现

该系统由三个主要组成部分构成:数据准备、洞察生成和对话界面。

数据准备

响应的质量取决于输入数据的质量和可解释性,这需要一个将数据准备成LLM所期望的格式并指导LLM如何解释数据的过程。

最初,我们考虑利用LLM的代码生成能力来进行数据的实时分析。

早期实验表明,这种方法无法始终保持准确和快速,这是两个重要的设计原则。

此外,生成定制函数的需求很少;有意义的分析通常属于基本的统计分析类别,如平均值、方差、时间趋势和数据类型间的相关性。

因此,系统包括一个“离线”(与实时相对)准备阶段,对用户的数据进行统计分析并进行总结。

具体过程如下:

  1. 数据过滤和对齐:将Fitbit数据导出并筛选感兴趣的日期。不同传感器的原始数据采样率不同。
  • 例如,步数每分钟采样一次,心率每5分钟采样一次,久坐分钟每天采样一次。
  • 因此,我们整合了每种数据类型的每日值和步数及心率的每小时值。
  • 准确表示时间信息至关重要,因为随后推导相关性和潜在因果关系的步骤依赖于时间维度。
  • 因此,我们根据设备的时区将不同的传感器数据按日期和时间对齐。
  • 由于我们关注日常活动对睡眠质量的影响,我们将“睡眠日期”调整为记录日间活动的次日。
  • 为简单起见,我们排除了小睡(即非主要睡眠事件)。如数据缺失,则使用周平均值。最终的数据列表见图2。
  1. 生成概要、趋势和相关性:数据经过过滤和对齐后,我们总结数据以提取周平均值、最小值和最大值日期及趋势。
  • 对于趋势,我们使用了±0.15的宽容阈值,因为目标不是进行统计假设检验,而是向LLM提供可能趋势的叙述描述。
  • 我们绘制了每小时步数和心率,以显示一周内每天活动和心率的视觉模式。
  • 然后,我们计算了成对相关值。
用户模型和洞察生成

数据如何相互关联及其含义对用户而言并不明显。

因此,仅将用户的数据整合到LLM中是不够的,因为类似的概要可以从智能手表的配套应用中获得。

此外,从网络搜索获得的建议往往是通用的。

虽然通用建议可能适用且有帮助,但捕捉异常和边缘案例无疑很重要但使用传统机器学习方法却很有挑战性。

LLM的优势在于:

  • (1)它们具有丰富的统计知识、健康见解和常识
  • (2)它们可以考虑用户的个人资料和其他上下文信息,如性别、年龄和习惯。

为了生成元级洞察,我们使用了OpenAI的GPT-4-turbo模型(温度=0,最大令牌=4096),这是一个能够接收多模态输入的LLM模型。

我们输入了用户的传记(由用户的人口调查提供)、数据的概要和相关矩阵以及心率和步数的每小时趋势图。

我们尝试输入相关矩阵作为图表,但这导致了持续的事实错误,因此改用数值表示的矩阵。

系统元提示指示LLM生成至少10个洞察。

每个洞察都需要提供理由、假设和解释,这些都要利用数据。

数据来源需要具体包含数值,并且必须使用不同的数据来源组合。

每个洞察后,需要给出一个0-10之间的分数,评估该洞察是影响睡眠质量的最重要因素的可能性。

个性化数据总结和洞察是如何生成的?

在这里插入图片描述

  • 数据准备:包括用户的基本信息如年龄、性别、职业、咖啡因摄入、饮食习惯及月经周期。

    利用Fitbit数据,涵盖了久坐、轻度活动、中度活动、高强度活动时间,以及每小时的休息心率、步数、呼吸率、心率变异性、睡眠效率、睡眠阶段、持续时间、醒来时间和就寝时间。

  • 数据分析:数据被整理成每周开始日期、平均值、趋势、最小值和最大值日期等。

    此外,还绘制了心率和步数的每小时趋势图,并创建了相关矩阵图,这有助于可视化数据间的相互关系。

  • 洞察生成:通过GPT模型生成的洞察,例如分析平均每日步数和平均睡眠效率之间的相关性。

    例如,发现较高的日常步数与较低的睡眠效率之间存在负相关,这可能表明在身体较为疲劳的日子里,睡眠质量会受到影响。

解析分析

解法:PhysioLLM通过集成大型语言模型(LLM)和可穿戴设备数据来生成个性化健康见解,并通过交互式对话提高用户对其健康数据的理解并帮助制定行动计划。

子解法1:集成Fitbit等可穿戴设备数据

  • 特征:可穿戴设备提供实时、连续的生理和活动数据,是生成健康见解的基础。
  • 之所以使用此子解法,是因为可穿戴设备数据能够提供关于用户日常生活和健康习惯的详尽信息,这些信息对于理解健康状况至关重要。
  • 例子:如果用户的步数明显减少,系统可能会提醒用户活动量下降可能影响健康。

子解法2:利用LLM生成个性化健康见解

  • 特征:LLM能够处理大量数据并生成复杂的语言输出,适合解释数据和提供基于数据的建议。
  • 之所以使用此子解法,是因为LLM可以从大量的生理数据中提取有意义的模式和趋势,将这些复杂的数据转化为用户可以理解的语言。
  • 例子:LLM分析用户的睡眠质量与日间活动量的数据,指出增加日间活动可能帮助改善夜间的睡眠质量。

子解法3:通过交互式对话界面与用户进行沟通

  • 特征:交互式对话使用户可以直接询问关于他们健康数据的问题,并得到即时的、个性化的回答。
  • 之所以使用此子解法,是因为直接的问答使用户能更深入地探索个人健康问题,并根据LLM提供的见解进行实时的讨论。
  • 例子:用户通过对话界面询问为什么晚上睡不好,LLM分析后可能建议减少咖啡因摄入和调整睡前习惯。

子解法4:使用后续问题引导用户深入探索

  • 特征:后续问题可以引导用户思考特定的健康行为或更改,这些都是基于数据生成的见解。
  • 之所以使用此子解法,是因为它帮助用户不仅停留在数据理解层面,更进一步地考虑如何应用这些见解来实现具体的健康改进。
  • 例子:系统可能会问用户是否愿意尝试在晚餐后散步以改善睡眠,这是根据用户的活动数据和睡眠质量数据的相关分析得出的建议。

逻辑链:这些子解法构成一个逻辑链条,每一步都为下一步提供必要的信息和基础,从数据集成到个性化见解的生成,再到交互式沟通,最后通过引导性问题促使用户行动,整个过程形成了一个从数据到行动的闭环。

优化点:

  • 原始解法:使用标准LLM直接生成健康见解。
  • 替换解法:采用Moe架构,多专家架构 + 使用特定于健康领域调优的LLM生成更精准的健康见解。
  • 分析:特定于领域的LLM在理解复杂健康数据方面表现更好,能提供更深入的见解,用户满意度和行动转化率更高。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/368565.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

S272钡铼技术4G无线RTU支持多路DIN输入和模拟量转换至4G网络

钡铼第四代RTU S272是一款先进的工业级4G远程遥测终端,为各种远程工业数据采集和控制系统提供了高效解决方案。结合了现代通信技术和多功能的输入输出接口,S272不仅支持多路数字量和模拟量输入,还具备灵活的扩展性和强大的控制功能&#xff0…

什么是嵌入式,单片机又是什么,两者有什么关联又有什么区别?

在开始前刚好我有一些资料,是我根据网友给的问题精心整理了一份「嵌入式的资料从专业入门到高级教程」, 点个关注在评论区回复“888”之后私信回复“888”,全部无偿共享给大家!!!从科普的角度,…

Python酷库之旅-第三方库Pandas(001)

目录 一、Pandas库的由来 1、背景与起源 1-1、开发背景 1-2、起源时间 2、名称由来 3、发展历程 4、功能与特点 4-1、数据结构 4-2、数据处理能力 5、影响与地位 5-1、数据分析“三剑客”之一 5-2、社区支持 二、Pandas库的应用场景 1、数据分析 2、数据清洗 3…

记录OSPF配置,建立邻居失败的过程

1.配置完ospf后,在路由表中不出现ospf相关信息 [SW2]ospf [SW2-ospf-1]are [SW2-ospf-1]area 0 [SW2-ospf-1-area-0.0.0.0]net [SW2-ospf-1-area-0.0.0.0]network 0.0.0.0 Jul 4 2024 22:11:58-08:00 SW2 DS/4/DATASYNC_CFGCHANGE:OID 1.3.6.1.4.1.2011.5.25 .1…

二分查找及其变种

一、概念 二分查找算法(Binary Search Algorithm)是一种在有序数组中查找特定元素的高效搜索方法。 其基本思想是将目标值与数组中间的元素进行比较,如果目标值等于中间元素,则查找成功;如果目标值小于中间元素&…

Visual Studio 设置回车代码补全

工具 -> 选项 -> 文本编辑器 -> C/C -> 高级 -> 主动提交成员列表 设置为TRUE

使用EndNote在Word中插入参考文献,并编辑参考文献样式方法

一、背景 在准备中期报告时,学校给的是Word模板,习惯了Latex排版和添加参考文献的便利后,真不想用word写东西。 之前投《机器人》期刊(被拒了)和准备开题的时候也是用word写的,当时为方便添加参考文献和定…

【人工智能】--生成对抗网络

个人主页:欢迎来到 Papicatch的博客 课设专栏 :学生成绩管理系统 专业知识专栏: 专业知识 文章目录 🍉引言 🍉GAN 的基本原理 🍈生成器(Generator) 🍈判别器&…

【嵌入式DIY实例-ESP8266篇】-LCD ST7735显示DS3231 RTC时间

LCD ST7735显示DS3231 RTC时间 文章目录 LCD ST7735显示DS3231 RTC时间1、硬件准备与接线2、代码实现本文将介绍如何使用 ESP8266 NodeMCU 板 (ESP-12E) 和 DS3231 RTC 模块制作一个简单的数字实时时钟,其中可以使用连接到 NodeMCU 的两个按钮设置时间和日期,并将它们打印(带…

llm学习-4(llm和langchain)

langchain说明文档:langchain 0.2.6 — 🦜🔗 langChain 0.2.6https://api.python.langchain.com/en/latest/langchain_api_reference.html#module-langchain.chat_models 1:模型 (1)自定义模型导入&#x…

c语言回顾-内存操作函数

目录 前言 1.memcpy 函数 1.1函数介绍 1.2与strcpy的区别 1.3memcpy的模拟 2.memmove 函数 2.1函数介绍和使用 2.2函数的模拟 3.memset函数 3.1函数介绍 3.2函数的模拟 4.memcmp函数 4.1函数的使用 4.2函数的模拟 结束语 前言 在动态内存的章节中小编详细讲解了动…

7.基于SpringBoot的SSMP整合案例-表现层开发

目录 1.基于Restfu1进行表现层接口开发 1.1创建功能类 1.2基于Restful制作表现层接口 2.接收参数 2使用Apifox测试表现层接口功能 保存接口: 分页接口: 3.表现层一致性处理 3.1先创建一个工具类,用作后端返回格式统一类:…

【人工智能学习之图像操作(一)】

【人工智能学习之图像操作(一)】 图像读写创建图片并保存视频读取色彩空间与转换色彩空间的转换通道分离理解HSV基本图形绘制 阀值操作OTSU二值化简单阀值自适应阀值 图像读写 图像的读取、显示与保存 import cv2 img cv2.imread(r"1.jpg")…

Unity休闲手机游戏开发课程

课程介绍 Unity休闲手机游戏开发课程将教您如何利用Unity游戏引擎创建令人愉快的休闲手机游戏。从基础的游戏开发知识到高级的游戏制作技巧,您将学习到创建各种类型的休闲游戏所需的关键技能和工具。无论您是初学者还是有一定经验的开发者,本课程都能帮助…

协程调度模块

什么是协程和协程调度? 基本概念 协程 协程是一种比线程更轻量级的并发编程结构,它允许在函数执行过程中暂停和恢复执行状态,从而实现非阻塞式编程。协程又被称为用户级线程,这是由于协程包括上下文切换在内的全部执行逻辑都是…

[linux]sed命令基础入门详解

sed是一种流编辑器,它一次处理一行内容。处理时,把当前处理的行存储在临时缓冲区中,称为“模式空间”,接着用sed命令处理缓冲区中的内容,处理完成后,把缓冲区的内容送往屏幕。接着处理下一行,这…

上位机GUI 第三弹

😊 😊 😊 从协议层面讲,地质单元相当重要,调试模式,我只能义命令发送的索引码作为,每个设备的区分方式,调试的情况,不在设备上设置任何东西,开机访问地址和端口就能用 因为懒,直接将…

股票分析-20240628

今日关注: 20240626 六日涨幅最大: ------1--------300386--------- 飞天诚信 五日涨幅最大: ------1--------300386--------- 飞天诚信 四日涨幅最大: ------1--------300386--------- 飞天诚信 三日涨幅最大: ------1--------300386--------- 飞天诚信 二日涨幅最…

Spring AI 1.0.0 新变化,从 0.8.1 如何升级

Spring AI 1.0.0-M1 版本已经发布,距离 1.0.0 正式版又更近了一步。同时这也意味着,Spring AI 1.0.0 的 API 已经基本确定,不会发生大的改动。这里介绍一下,相对于上一个发布版本 0.8.1,Spring AI 1.0.0 的一些重要的变…

MySQL高级-SQL优化-insert优化-批量插入-手动提交事务-主键顺序插入

文章目录 1、批量插入1.1、大批量插入数据1.2、启动Linux中的mysql服务1.3、客户端连接到mysql数据库,加上参数 --local-infile1.4、查询当前会话中 local_infile 系统变量的值。1.5、开启从本地文件加载数据到服务器的功能1.6、创建表 tb_user 结构1.7、上传文件到…