用于可穿戴设备数据多元分析的潜在时间流模型

可穿戴设备传感器信号作为生理数据的丰富来源日益增多地使用，激发了开发健康监测系统以识别个体健康画像变化的浓厚兴趣。确实，用于传感器信号的机器学习模型已实现了从异常早期检测到生育追踪和药物不良反应预测等多样化的医疗相关应用。然而，这些模型可能未能考虑底层传感器信号的依赖性强的高维特性。本文中，我们引入潜在时间流（Latent Temporal Flows），一种针对该设定定制的多元时间序列建模方法。我们假设一组序列由未观测时变低维潜在向量的多元概率模型生成。潜在时间流同时通过深度自编码器映射将观测序列恢复为低维潜在表示，并通过归一化流估计时间条件概率模型。利用来自 Apple Heart and Movement Study（AH&MS）的数据，我们展示了在这些具挑战性信号上前景良好的预测性能。此外，通过分析我们模型学习到的二维和三维表示，我们表明仅使用较低层信号即可识别参与者的 $\text{VO}_2\text{max}$（心肺适能的主要指标与概括）。最后，我们表明所提方法在多个真实世界数据集的多步预测基准上持续优于最先进水平（取得至少 $10\%$ 的性能提升），同时具有更高的计算效率。