基于低秩矩阵分解的婴儿睡眠数据时间序列分析
机器学习
2019-11-11 v3 机器学习
摘要
我们提出了一种基于低秩矩阵分解的、用于处理含缺失数据时间序列的非参数模型。该模型将一组时间序列中的每个样本表示为少量共享基函数的线性组合。约束这些函数及相应系数为非负,可得到数据的可解释低维表示。时间平滑正则化项确保模型捕捉数据中有意义的趋势,而非过拟合短期波动。该低维表示使得根据模型提取的可解释特征检测离群点并对时间序列聚类成为可能,并且可通过核回归进行预测。我们将该方法应用于由看护者通过手机应用收集的大规模真实世界婴儿睡眠数据集。我们的分析自动提取了与现有文献一致的每日睡眠模式。这使我们能够计算该群体的睡眠发育趋势,其刻画了昼夜节律睡眠与不同小睡习惯的出现。我们应用该方法检测异常个体、将该群体聚类为具有不同睡眠倾向的组,并获得对未来睡眠行为的改进预测。
引用
@article{arxiv.1904.04780,
title = {Time-Series Analysis via Low-Rank Matrix Factorization Applied to Infant-Sleep Data},
author = {Sheng Liu and Mark Cheng and Hayley Brooks and Wayne Mackey and David J. Heeger and Esteban G. Tabak and Carlos Fernandez-Granda},
journal= {arXiv preprint arXiv:1904.04780},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract