考虑移动健康数据中潜在自我追踪伪影的月经周期长度生成预测模型

移动健康（mHealth）应用（如月经追踪器）提供了丰富的自我追踪健康观测数据，可用于健康相关研究。然而，此类数据流的可靠性存疑，因为它们依赖于用户对应用的依从性。因此，研究人员将真实行为与自我追踪伪影区分开来至关重要。通过采用机器学习方法对自我追踪的周期长度进行建模，我们既可以做出更明智的预测，也可以了解观测数据的底层结构。本文提出并评估了一个层次化生成模型，用于根据先前追踪的周期长度预测下一个周期长度，该模型明确考虑了用户可能跳过记录经期的情况。我们的模型具有几个优势：1）明确考虑自我追踪伪影可以在跳过可能性增加时提高预测准确性；2）由于是生成模型，预测可以在给定周期演变过程中在线更新，并且我们可以获得关于这些预测如何随时间变化的可解释洞察；3）其层次化性质使得在整合群体水平信息的同时，能够对个体的周期长度历史进行建模。我们使用包含超过186,000名月经者、超过200万个自然月经周期的mHealth周期长度数据进行的实验表明，我们的方法在性能上优于基于神经网络和基于汇总统计的基线方法，同时提供了将月经模式与自我追踪伪影分离的见解。这项工作可以帮助用户、mHealth应用开发者和研究人员更好地理解周期模式和用户依从性。