具有多个函数型协变量的函数型线性回归模型的功能自适应双稀疏估计量

近年来，传感器设备在工程与健康研究中得到日益广泛的应用，所采集的多维活动与生命体征信号可结合健康结局进行研究以服务公共卫生。常用方法是标量对函数回归模型，其中健康结局为标量响应，而高维传感器信号为函数型协变量，但如何有效解释结果变得困难。在本研究中，我们基于多函数型预测变量的稀疏组套索函数正则化，提出一种新的功能自适应双稀疏（FadDoS）估计量，其可通过函数型变量选择实现全局稀疏性，并通过系数函数内的零子区间识别实现局部稀疏性。我们证明FadDoS估计量在温和条件下以有界速率收敛并满足预言性质。大量仿真研究证实了理论性质，并展现出优于现有方法的性能。应用于一项Kinect传感器研究（该研究利用先进运动感知设备追踪人体多关节运动，并在社区居住老年人中开展）表明，FadDoS估计量可有效刻画关节运动与身体健康评估之间的详细关联。所提方法不仅在Kinect传感器分析中有效，也适用于同时采集多维传感器信号的更广阔领域，以拓展传感器设备在健康研究中的使用并促进传感器数据分析。