用于可穿戴设备高频数据的含协变量依赖态持续时间参数的贝叶斯隐半马尔可夫模型
应用统计
2020-10-22 v1
摘要
体育运动中可穿戴设备收集的数据提供了关于运动员行为（如活动、表现和能力）的宝贵信息。这些时间序列数据可用隐马尔可夫和半马尔可夫模型（HMM 和 HSMM）等方法研究，用于活动识别和事件检测等多种目的。HSMM 通过显式建模在每个状态中停留的时间来扩展 HMM。在离散时间 HSMM 中，每个状态中的持续时间可用零截断泊松分布建模，其中持续时间参数可以是状态特定的但在时间上恒定。我们扩展 HSMM，允许状态特定的持续时间参数随时间变化，并将其建模为源自可穿戴设备并在导致状态转移的一段时间内观测到的已知协变量的函数。此外，鉴于可穿戴设备的高频数据可能违背 HSMM 的条件独立性假设，我们提出一种数据子采样方法。我们将该模型应用于美国职业足球大联盟比赛中收集的足球裁判可穿戴设备数据。我们建模了裁判对比赛需求的生理响应，并识别出与每个状态中持续时间相关的这些需求的重要时变效应。
引用
@article{arxiv.2010.10739,
title = {A Bayesian Hidden Semi-Markov Model with Covariate-Dependent State Duration Parameters for High-Frequency Data from Wearable Devices},
author = {Shirley Rojas-Salazar and Erin M. Schliep and Christopher K. Wikle and Matthew Hawkey},
journal= {arXiv preprint arXiv:2010.10739},
year = {2020}
}