AttentiveGRUAE：基于注意力的GRU自编码器，用于从可穿戴数据中进行时间聚类和抑郁行为特征分析
机器学习
2025-11-17 v2
摘要
在本研究中，我们提出了AttentiveGRUAE，一种基于注意力的门控循环单元（GRU）自编码器，用于时间聚类和纵向可穿戴数据的结局预测。我们的模型联合优化三个目标：(1) 通过序列重建学习每日行为特征的紧凑潜在表示，(2) 通过二元分类头预测期末抑郁率，以及(3) 通过基于高斯混合模型（GMM）的学习嵌入软聚类来识别行为亚型。我们在372名参与者（GLOBEM 2018-2019）的纵向睡眠数据上评估了AttentiveGRUAE，在聚类质量（轮廓系数 = 0.70 vs 0.32-0.70）和抑郁分类（AUC = 0.74 vs 0.50-0.67）方面均优于基线聚类、域对齐自监督和消融模型。此外，在332名参与者（GLOBEM 2020-2021）的跨年队列上的外部验证确认了聚类可重现性（轮廓系数 = 0.63，AUC = 0.61）和稳定性。我们进一步进行了亚型分析和时间注意力可视化，突出了聚类之间的睡眠相关差异，并识别出与睡眠规律性变化一致的关键时间窗口，从而提供了具有临床可解释性的风险解释。
引用
@article{arxiv.2510.02558,
title = {AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data},
author = {Nidhi Soley and Vishal M Patel and Casey O Taylor},
journal= {arXiv preprint arXiv:2510.02558},
year = {2025}
}
备注
5 pages, 3 figures, 2 tables, Accepted NeurIPS (TS4H Workshop) 2025