ウェアラブルデバイスからのアクティビティデータを合成するための階層的加熱マルコフモデリング

科学分野:

• 生物医学情報学
• データサイエンス
• ウェアラブルテクノロジー

背景:

• ウェアラブルデバイスは、健康アプリケーションのために連続的な生理学的および行動データを収集します。
• 実際のデータは、プライバシーの懸念、不規則なサンプリング、活動依存の記録などの課題を提示し、データ共有と分析を妨げます。
• ウェアラブルヘルス研究のための現実的でプライバシーを保護するデータを生成するには、合成フレームワークが必要です。

研究 の 目的:

• ウェアラブルデバイスから統計的に現実的でプライバシーを保護する合成データを生成するための新しい合成フレームワークを開発すること。
• 不規則サンプリングや活動依存の記録を含む、実際のウェアラブルデータの課題に対処すること。
• 精密医療および集団健康研究のためのスケーラブルなデータ生成を可能にすること。

主な方法:

• 条件付き依存関係と時間変化する行動パターンを組み込んだ階層的加熱マルコフモデル（HHMM）を提案しました。
• モデルは多層アプローチを利用します。層1は活動タイプをモデル化し、層2は心拍数と活動時間をサンプリングし、層3は追加の健康変数を合成します。
• デバイス駆動の不規則なタイムスタンプをエミュレートするために、活動条件付きポアソンサブサンプリングが採用され、モデルはCTGANおよびTVAEと比較してベンチマークされました。

主要な成果:

• 合成データセットでは、HHMMは、記録間距離分布（WD(KS): 0.125 vs. 0.130/0.129）を保持する上で、CTGANおよびTVAEと比較して同等のパフォーマンスを示しました。
• 実際のFitbitデータセットでは、HHMMは競争力のある結果を示しましたが、ドメイン適応が推奨されます（WD(KS): 0.295 vs. 0.293/0.293）。
• HHMM法は、計算効率が高く、プライバシーを保護する合成データを生成する上で効果的であることが証明されました。

結論:

• HHMMフレームワークは、主要な統計的特性を保持する、現実的な合成ウェアラブルヘルスデータを生成するための実行可能なソリューションを提供します。
• 合成ベンチマークでは効果的でしたが、実際のアプリケーションではドメイン適応戦略から恩恵を受ける可能性があります。
• この方法は、ウェアラブルヘルス研究およびアプリケーションの進歩に不可欠な、スケーラブルでプライバシーを保護する合成データ生成をサポートします。