用于移动设备的动作图时间表的 amortization 贝叶斯推断

移动数据技术使用“动作图”来提供关于受试者运动状态下健康变量的信息。可穿戴设备及其相关技术的出现推动了由人类运动数据构成的健康数据库的创建，以用于研究移动模式和健康结果。针对高分辨率动作图数据的统计分析方法取决于特定的推断情境，但人工智能(AI)框架的出现要求这些方法能够实现迁移学习和 amortization。本文构建了用于动作图时间表的 amortization 贝叶斯推断方法。我们采用贝叶斯方法以确保不确定性的完整传递，并通过层次动态线性模型实现不确定性的量化。我们的分析基于加州大学洛杉矶分校公共卫生学院开展的 Physical Activity through Sustainable Transport Approaches in Los Angeles (PASTA-LA) 研究收集的动作图数据。除了实现动作图时间表的概率性插值外，我们还能够对一组受试者的解释变量对加速度(MAG)大小的时变影响进行统计学习。