从可穿戴设备合成活动数据的等级加热马尔科夫建模
Darren Fang1, Dan Ruan1,2
1Department of Radiation Oncology, University of California, Los Angeles, Los Angeles, CA 90095, United States.
这项研究引入了一种新的等级加热马尔科夫模型 (HHMM),用于生成现实的合成可穿戴健康数据. HHMM框架保留了统计属性,使得隐私保护的数据共享和精密健康研究的先进建模成为可能.
科学领域:
- 生物医学信息学 生物医学信息学
- 数据科学数据科学数据科学
- 可穿戴技术可穿戴技术
背景情况:
- 可穿戴设备收集连续的生理和行为数据,用于健康应用.
- 现实世界数据带来了隐私问题,不规则的抽样和活动依赖的记录等挑战,阻碍了数据共享和分析.
- 需要一个综合框架来生成现实的,保护隐私的数据用于可穿戴健康研究.
研究的目的:
- 开发一种新的合成框架,用于从可穿戴设备生成统计学上现实的,保护隐私的合成数据.
- 应对现实世界可穿戴数据的挑战,包括不规则的采样和活动依赖的记录.
- 为准确性和人口健康研究提供可扩展的数据生成.
主要方法:
- 提出了一个等级加热马尔科夫模型 (HHMM),结合了条件依赖和时间变化的行为模式.
- 该模型采用多层次的方法:1级模型是活动类型,2级样本是心率和活动持续时间,3级综合了其他健康变量.
- 使用活动条件的Poisson亚抽样来模拟设备驱动的不规则时间,并将模型与CTGAN和TVAE进行基准测试.
主要成果:
- 在合成数据集上,HHMM在维护记录间距离分布 (WD(KS):0.125对比0.130/0.129) 方面表现与CTGAN和TVAE相当.
- 在一个真实的Fitbit数据集上,HHMM显示出具有竞争力的结果,尽管建议进行域调整 (WD(KS):0.295对比0.293/0.293).
- 在生成保护隐私的合成数据方面,HHMM方法证明了计算效率和有效性.
结论:
- HHMM框架提供了一个可行的解决方案,用于生成现实的合成可穿戴健康数据,保持关键的统计属性.
- 虽然在合成基准上有效,但实际应用程序可能会从域调整策略中受益.
- 该方法支持可扩展,保护隐私的合成数据生成,对于推进可穿戴健康研究和应用至关重要.
相关概念视频
06:58An Application for Pairing with Wearable Devices to Monitor Personal Health Status
09:33Using Near-Infrared Spectroscopy Wearable Devices to Identify Central Versus Peripheral Limitations During Exercise
10:07Using Fiberless, Wearable fNIRS to Monitor Brain Activity in Real-world Cognitive Tasks
15:00Setup of Consumer Wearable Devices for Exposure and Health Monitoring in Population Studies
04:04Chessboard-like Burn Wound Healing Model of Mice Based on Digital Heating Device
10:45A Community-based Stress Management Program: Using Wearable Devices to Assess Whole Body Physiological Responses in Non-laboratory Settings


