使用符号集成apprXimation (SAX) 在Actigraphy数据上的时间型的表征

科学领域:

• 时间生物学 时间生物学
• 数据科学数据科学数据科学
• 公共卫生 公共卫生

背景情况:

• 动图监测人类的休息/活动周期,为睡眠-清醒行为和昼夜节律提供了洞察力.
• 高维动画数据在存储,处理和分析方面存在挑战.
• 鉴别时间型对于了解健康和行为至关重要.

研究的目的:

• 开发一种高效的方法,使用符号总量近似 (SAX) 对大规模的动画数据进行时型表征.
• 为了减少动图数据的维度,同时保持分析的基本模式.
• 为了识别不同的年代型集群,并调查与年龄相关的变化.

主要方法:

• 应用SAX算法将连续时间序列的动画图数据转换为符号表示.
• 利用来自NHANES数据库 (>10,000个人) 的SAX转换数据的无监督聚类.
• 对活动开始,分辨率,强度和年龄分布的差异进行了分析.

主要成果:

• 通过SAX和集群技术识别了五个不同的年代型集群.
• 揭示了与年龄相关的显著时刻型变异,年轻人表现出延迟入睡和唤醒时间.
• 在不同时间型集群中观察到不同的活动过渡动态 (清算/倒闭时期).

结论:

• SAX是一种高效和有效的方法,用于处理大规模的动态图数据,以实现稳健的年代型特征.
• 年代型变异与年龄有关,年轻人群体表现出延迟睡眠模式.
• 调查结果可以为与昼夜生物学相关的个性化医疗保健和公共卫生计划提供信息.