无监督机器学习识别多模态可穿戴传感器信号中的潜在超日状态
神经元与认知
2024-05-08 v1
摘要
近年来，智能手表等可穿戴传感器变得随处可见，使得轻松且持续地测量心率、体力活动、体温和血糖等生理参数成为可能。这种多模式数据提供了识别跨越生理测量值的潜在状态的潜力，这些状态可能代表无法在单一测量值中观察到的重要的生物行为状态。本文提出一种方法，利用隐半马尔可夫模型来识别在使用智能手表、心电图和血糖监测器收集的两周数据中发现的此类状态。我们发现该样本中存在26个潜在的超日状态，其中许多在特定时间段发生。我们描述其中一些状态及其与主观情绪和时间使用日记的关联。这些方法为开发对日常生活生理学见解的新途径提供了可能。
引用
@article{arxiv.2405.03829,
title = {Unsupervised Machine Learning Identifies Latent Ultradian States in Multi-Modal Wearable Sensor Signals},
author = {Christopher Thornton and Billy C. Smith and Guillermo M. Besne and Bethany Little and Yujiang Wang},
journal= {arXiv preprint arXiv:2405.03829},
year = {2024}
}