使用无监督机器学习从加速度计中量化多样且快速变化的人群的体活动
摘要：物理活动行为的测量广泛使用加速度计，包括在儿童中使用。传统的加速度数据处理方法使用切点来定义个体的身体活动强度，依赖于将加速度大小与能量消耗相关联的校准研究。然而，这些关系不能普遍适用于不同人群，因此必须为每个亚群体（例如不同年龄组）进行参数化，这是昂贵的并且使得在不同人群和长时间内进行研究变得困难。一种数据驱动的方法，允许通过数据推导出身体活动强度状态，而无需依赖于外部人群得出的参数，并为这个问题提供了新的视角和潜在的改进结果。我们采用一种无监督机器学习方法，即隐藏半马尔可夫模型，对从279名儿童（9到38个月）记录的具有各种身体和社会认知能力（使用儿童残疾评估清单进行衡量）的加速度计数据进行分割和聚类。我们使用最佳可用阈值计算的切点方法来对这项分析进行基准测试。根据这种无监督方法测量的活跃时间与儿童的活动能力、社会认知能力、独立性、日常活动和年龄等指标之间的相关性更强，而不是使用切点方法测量的结果。与目前的切点方法相比，无监督机器学习提供了在不同人群中量化身体活动行为的更敏感、适用和经济有效的方法。这反过来支持更加包容多样或人口快速变化的研究。
作者：Christopher B Thornton, Niina Kolehmainen, Kianoush Nazarpour
论文ID：2201.10322
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2022-02-22