通过使用机器学习检查体育活动集群,发现了24小时步数计数模式的多样性
Saida Salima Nawrin1, Hitoshi Inada2,3, Haruki Momma4
1Laboratory of Health and Sports Sciences, Tohoku University Graduate School of Biomedical Engineering, Sendai, Miyagi, Japan.
Journal of activity, sedentary and sleep behaviors
|April 11, 2025
概括
这项研究开发了一种新的机器学习方法,通过步数分析身体活动模式,识别出六种不同的日常模式和五个行为集群. 这种方法提供了比传统方法更详细的体力活动的理解.
科学领域:
- 可穿戴式传感器技术的技术.
- 机器学习在卫生中的应用.
- 身体活动分析分析
背景情况:
- 身体活动对公共健康至关重要.
- 需要标准化的方法来分析时间物理活动模式.
- 这项研究解决了对理解日常活动节奏的新方法的需求.
研究的目的:
- 开发一个程序,以集群24小时的体育活动模式.
- 为了利用加速计衍生的步数数据进行模式分析.
- 应用无监督机器学习来分类体育活动行为.
主要方法:
- 采集了42名健康参与者的1赫兹步数数据,使用部佩戴的加速度计.
- 应用内核k-means算法与全球对齐内核到815天的数据.
- 在24小时步数计数模式概率上使用光谱聚类来识别行为聚类.
主要成果:
- 确定了六个不同的24小时步数计数模式.
- 发现了五个每日步骤行为集群 (例如,全日占主导地位,双相占主导地位).
- 发现活动三位数组 (高,中等,低) 包含不同比例的确定步数计数模式.
结论:
- 引入了一种新的无监督机器学习方法来对日常活动进行分类.
- 成功揭示了六个不同的步数计数模式和五个每日步数行为集群.
- 证明了这种程序对集群体体育活动模式和行为的可靠性,突出了传统活动总量分类之外的多样性.
