面向人类活动数据的邻接矩阵分解聚类
统计方法学
2024-09-16 v2
摘要
移动应用和可穿戴设备能够准确、连续地测量人类活动；这些数据中的模式可以提供丰富的信息，适用于交通和健康等领域。尽管这些数据具有潜在效用，但针对日常活动序列的分析方法开发仍然有限。在本文中，我们提出了一种新颖的聚类方法和聚类评估指标，用于人类活动数据，该方法利用邻接矩阵表示对数据进行聚类，而无需计算距离矩阵。我们的技术比基于通过序列比对算法计算成对距离的传统方法快得多，并且增强了结果的可解释性。我们通过模拟研究以及对Daynamica（一款将传感器数据转化为用户每日活动摘要的应用）收集的数据的应用，将我们的方法与基于距离的层次聚类和nTreeClus进行了比较。在包含大量居家时间的日子中，我们的方法能够区分出也包含数小时出行或其他活动的日子，而两种对比方法均未能识别出这些模式。我们进一步确定了我们的方法所分类的哪些日模式与对感染COVID-19的更高担忧相关，这对公共卫生信息传递具有启示意义。
引用
@article{arxiv.2401.01949,
title = {Adjacency Matrix Decomposition Clustering for Human Activity Data},
author = {Martha Barnard and Yingling Fan and Julian Wolfson},
journal= {arXiv preprint arXiv:2401.01949},
year = {2024}
}