通过功能混合模型,通过无监督学习来描述日常体育活动模式
Ipek Ensari1,2, Billy A Caceres3,4, Kasey B Jackman4,5
1Windreich Department of Artificial Intelligence and Human Health, Icahn School of Medicine at Mount Sinai, Hasso Plattner Institute for Digital Health at Mount Sinai, One Gustave L. Levy Place, Annenberg 11-02A, New York, 10029, USA. ipek.ensari@mssm.edu.
Journal of behavioral medicine
|September 21, 2024
概括
这项研究使用加速度计数据在成年人中确定了四种不同的体力活动 (PA) 模式. 了解这些日常PA趋势可以帮助定制公共卫生干预措施以获得更好的结果.
科学领域:
- 公共卫生 公共卫生
- 行为科学 行为科学
- 生物统计学 生物统计学
背景情况:
- 身体不活动是一个主要的公共卫生问题.
- 了解身体活动 (PA) 趋势的变化对于设计有效的干预措施至关重要.
- 识别不同的每日PA模式可以提供对人口行为的见解.
研究的目的:
- 识别成年人日常体育活动趋势的潜在形状或"表型".
- 分析加速度计数据以发现身体活动的不同模式.
- 为设计有针对性的公共卫生干预提供信息.
主要方法:
- 对133名城市成年人的724人/天加速计数据进行了二次分析.
- 使用Actigraph加速度计和Actilife软件进行数据收集和处理.
- 采用概率集群技术 (功能混合模型) 来根据步数,中度强度PA (MOD),总活动和静止时间分钟来识别PA表型.
主要成果:
- 4个集群解决方案提供了最好的模型匹配,中等强度的PA (MOD) 显示了集群间最显著的差异.
- 现型1 (N=61) 呈现出一个早晨的PA峰值.
- 现型2 (N=18) 显示晚上睡觉时间较晚,每日PA体积最高,早上达到峰值.
- 现型3 (N=29) 具有最低的整体PA水平.
- 现象型4显示全天均分布的PA,晚起/晚睡时间.
结论:
- 根据时间模式确定了不同的和可解释的身体活动表型.
- 功能聚类的PA数据提供了可操作的见解,以定制行为干预措施.
- 这些发现可以指导个性化的方法来解决身体不活动的问题.
