基于聚类的加速度计测量用于建模物理活动与关键结果之间的关系
统计方法学
2025-07-02 v1
摘要
加速度计产生海量数据。通常将此类数据纳入研究的做法是采用衍生摘要指标来描述物理活动。传统指标常常忽视数据的时序特性。我们延续此前工作，应用无监督机器学习技术来描述物理活动随时间的模式。具体而言，我们通过与其他传统指标进行比较来评估加速度计数据派生出的无监督聚类摘要度量在回归框架中的表现，这些指标包括：不同活动强度状态下时间持续 duration、Time Active Mean (TAM)、Time Active Variability (TAV)、Activity Intensity Mean (AIM) 和 Activity Intensity Variability (AIV)，数据来源于 268 名参与斯坦福 GOALS 试验的儿童。新型度量在对三个预先设定的临床结果（腰围、空腹胰岛素水平和空腹甘油三酯水平）进行回归分析时，解释变异的比例与传统度量相当。例如，聚类成员对腰围、空腹胰岛素水平和空腹甘油三酯水平的变异解释分别为 25%、11% 和 6%，而 TAM 对相同结果分别解释为 25%、10% 和 6%。重要的是，然而，对基于无监督机器学习技术派生变量进行回归分析存在挑战，尤其是关于可重复性的问题。这包括派生变量的处理过程以及机器学习方法本身。尽管这些仍是待解决的议题，但我们的发现表明，这种新型摘要度量有望实现对那些其他传统摘要度量未能捕捉的时序性问题的回答。
引用
@article{arxiv.2507.00484,
title = {Clustering-based accelerometer measures to model relationships between physical activity and key outcomes},
author = {Hyatt Moore and Thomas N. Robinson and Alexandria Jensen and Fatma Gunturkun and K. Farish Haydel and Kristopher I Kapphahn and Manisha Desai},
journal= {arXiv preprint arXiv:2507.00484},
year = {2025}
}
备注
23 pages, 2 tables, 3 figures, 4 supplemental tables, 1 supplemental figure