利用长期信息的可解释表示优化重评分规则

分析时间数据（例如可穿戴设备数据）需要决定如何结合来自近期和遥远过去的信息。在根据活动记录仪（actigraphy）对睡眠状态进行分类的背景下，Webster 的重评分规则提供了一种基于移动窗口模型输出中长期模式的流行解决方案。遗憾的是，如何针对任何给定设置优化重评分规则的问题一直未得到解决。为解决该问题并扩展重评分规则的可能用例，我们提出用特定时段（epoch-specific）特征来重新表述这些规则。我们的特征有两种一般形式：（1）当前与最近一次[或最接近即将到来的]处于给定状态的时段之间的时间滞后，以及（2）最近一次[或最接近即将到来的]处于给定状态的时段长度。给定任何初始移动窗口模型，这些特征可以递归定义，从而允许对重评分规则进行直接优化。移动窗口模型与后续重评分规则的联合优化也可以使用基于梯度的优化软件（如 Tensorflow）来实现。除二分类问题（例如睡眠-觉醒）外，同样的方法可用于总结多状态分类问题（例如静坐、行走或爬楼梯）中的长期模式。我们发现，优化后的重评分规则提升了睡眠-觉醒分类器的性能，达到了与某些神经网络架构相当的准确率。