基于多元 EMA 时间序列数据的个体聚类
机器学习
2022-12-05 v1
摘要
在精神病理学领域，生态瞬时评估（EMA）的方法学进展为收集高密度、重复和个体内的测量提供了新机会。由此大量数据变得可用，为深入探索精神障碍提供了手段。因此，需要先进的机器学习（ML）方法来理解数据特征并揭示关于潜在复杂心理过程的隐藏且有意义的关联。除其他用途外，ML 通过聚类促进了不同个体数据中相似模式的识别。本文关注将个体的多元时间序列（MTS）数据聚类为若干组。由于聚类是无监督问题，评估所得分组是否成功具有挑战性。因而，我们基于不同距离度量研究不同聚类方法，并针对所得聚类的稳定性和质量进行评估。这些聚类步骤在一个真实世界 EMA 数据集上予以说明，该集包含 33 个个体和 15 个变量。通过评估，基于核的聚类方法在识别数据中有意义分组方面结果看似 promising。因此，EMA 数据的有效表示在聚类中起着重要作用。
引用
@article{arxiv.2212.01159,
title = {Clustering individuals based on multivariate EMA time-series data},
author = {Mandani Ntekouli and Gerasimos Spanakis and Lourens Waldorp and Anne Roefs},
journal= {arXiv preprint arXiv:2212.01159},
year = {2022}
}
备注
15 pages, 6 figures, Psychometrika