一种用于基于 24 小时活动记录仪数据推断休息-活动节律的贝叶斯昼夜隐马尔可夫模型
统计方法学
2023-07-11 v1 应用统计
摘要
可穿戴设备采集的 24 小时活动记录仪数据为身体活动类型、强度水平与休息-活动节律（RAR）提供了宝贵见解。RAR 即 24 小时内表现出的休息与活动模式，受人体昼夜系统调节，使生理过程与外部线索（如光暗周期）同步。这些节律的紊乱（如不规则睡眠模式、日间嗜睡或轮班工作）与代谢障碍、心血管疾病、抑郁甚至癌症等不良健康结局相关，使 RAR 成为健康研究的关键领域。在本研究中，我们提出一种贝叶斯昼夜隐马尔可夫模型（BCHMM），其显式纳入了反映人类生物节律的 24 小时昼夜振荡器。该模型假设观测活动计数通过高斯发射密度以隐藏活动状态为条件，转移概率由状态特定的正弦函数建模。我们全面的模拟研究表明，BCHMM 在识别潜在隐藏状态上优于频率学方法，尤其当活动状态难以区分时。BCHMM 在估计密度的 Kullback-Leibler 散度上也表现更优。借助贝叶斯框架，我们通过均值参数的正约束解决了隐马尔可夫模型固有的标签切换问题。由所提 BCHMM，我们可通过时变状态概率推断 24 小时休息-活动剖面，以刻画个体层面的 RAR。我们利用 2011-2014 年美国国家健康与营养检查调查（NHANES）数据展示了所提 BCHMM 的效用，其中 RAR 恶化（表现为日间低活动状态概率较低、夜间高活动状态概率较高）与糖尿病风险增加相关。
引用
@article{arxiv.2307.03832,
title = {A Bayesian Circadian Hidden Markov Model to Infer Rest-Activity Rhythms Using 24-hour Actigraphy Data},
author = {Jiachen Lu and Qian Xiao and Cici Bauer},
journal= {arXiv preprint arXiv:2307.03832},
year = {2023}
}