人类行为中个体周期性变化的建模

周期对人类健康和行为至关重要。然而，对时间序列数据中的周期进行建模具有挑战性，因为在大多数情况下，周期未被标注或直接观测，需要从随时间进行的多维测量中推断。在此，我们提出 CyHMMs，一种用于检测和建模一组多维异构时间序列数据中周期的循环隐马尔可夫模型方法。与先前的周期建模方法相比，CyHMMs 处理了现实世界周期建模中遇到的若干挑战：它们可以建模具有离散和连续维度的多元数据；它们显式建模并对缺失数据具有鲁棒性；并且它们可以在个体之间共享信息，以建模个体内和个体间时间序列的变化。在合成和真实世界健康追踪数据上的实验表明，CyHMMs 比现有方法更准确地推断周期长度，与性能最佳的基线相比，在模拟数据上误差降低 58%，在真实世界数据上误差降低 63%。CyHMMs 还能执行基线无法执行的功能：它们可以建模单个特征/症状在周期过程中的进展，识别最具可变性的特征，并将个体时间序列聚类为具有不同特征的组。将 CyHMMs 应用于两个真实世界健康追踪数据集——月经周期症状和身体活动追踪数据——得出了重要见解，包括周期中每个时间点可预期的症状。我们还发现人们分为若干具有不同周期模式的组，并且这些组在模型未提供的维度上有所差异。例如，通过对月经周期数据集中的缺失数据进行建模，我们能够发现一个与医学相关的避孕药使用者组，尽管模型未给定避孕药信息。