تحلیل داده‌های پوشیدنی برای شناسایی رفتارهای تکراری بدن با استفاده از LightGBM و مهندسی ویژگی

در این پروژه شخصی، با هدف شناسایی خودرفتاری‌های تکراری بدن (BFRBs) مانند کشیدن مو، لمس مکرر صورت یا خاراندن پوست، یک مدل یادگیری ماشین بر پایه داده‌های واقعی از دستگاه‌های پوشیدنی توسعه دادم. داده‌ها شامل اطلاعات حرکتی (accelerometer)، دما (temperature) و فاصله (ToF) بودند که توسط یک مچ‌بند هوشمند جمع‌آوری شده و در قالب یک رقابت علمی از سوی مؤسسه‌ی معتبر Child Mind Institute و شرکت CMI منتشر شده بود.

اقدامات من در این پروژه: تحلیل ساختار داده‌های خام سنسورهای پوشیدنی پاک‌سازی داده‌ها و استخراج ویژگی‌های آماری، هندسی و ترکیبی طراحی مدل با استفاده از الگوریتم LightGBM برای طبقه‌بندی ۱۸ رفتار مختلف اعمال مهندسی ویژگی (Feature Engineering) برای افزایش دقت مدل ارزیابی مدل با روش 5-Fold Cross Validation

نتیجه: مدل توسعه‌یافته توانست در میان داده‌های غیرتصویری و چالش‌برانگیز، به دقت ۵۷٪ میانگین F1 macro برسد — عددی چشم‌گیر در طبقه‌بندی رفتارهای انسانی از طریق سنسورهای ساده پوشیدنی اهداف آتی: این پروژه را می‌توان پایه‌ای برای ساخت اپلیکیشن‌های سلامت‌محور، هشداردهنده‌ی خودرفتاری‌ها یا ابزارهای کمکی برای بیماران مبتلا به اختلالات رفتاری دانست.