[论文解读] A generative, predictive model for menstrual cycle lengths that accounts for potential self-tracking artifacts in mobile health data

Kathy Li, Iñigo Urteaga+4 more|arXiv (Cornell University)|Feb 24, 2021

Menstrual Health and Disorders参考文献 47被引用 6

一句话总结

本文提出了一种分层的、生成式概率模型，用于预测月经周期长度，该模型显式考虑了移动健康（mHealth）数据中用户报告的追踪伪影——尤其是周期跳过现象。通过联合建模周期长度与跳过行为，该方法在来自186,000名用户的超过200万条周期数据上实现了最先进（state-of-the-art）的预测准确率，优于神经网络和汇总统计基线模型，同时支持周期进展过程中的在线、可解释性更新。

ABSTRACT

Mobile health (mHealth) apps such as menstrual trackers provide a rich source of self-tracked health observations that can be leveraged for health-relevant research. However, such data streams have questionable reliability since they hinge on user adherence to the app. Therefore, it is crucial for researchers to separate true behavior from self-tracking artifacts. By taking a machine learning approach to modeling self-tracked cycle lengths, we can both make more informed predictions and learn the underlying structure of the observed data. In this work, we propose and evaluate a hierarchical, generative model for predicting next cycle length based on previously-tracked cycle lengths that accounts explicitly for the possibility of users skipping tracking their period. Our model offers several advantages: 1) accounting explicitly for self-tracking artifacts yields better prediction accuracy as likelihood of skipping increases; 2) because it is a generative model, predictions can be updated online as a given cycle evolves, and we can gain interpretable insight into how these predictions change over time; and 3) its hierarchical nature enables modeling of an individual's cycle length history while incorporating population-level information. Our experiments using mHealth cycle length data encompassing over 186,000 menstruators with over 2 million natural menstrual cycles show that our method yields state-of-the-art performance against neural network-based and summary statistic-based baselines, while providing insights on disentangling menstrual patterns from self-tracking artifacts. This work can benefit users, mHealth app developers, and researchers in better understanding cycle patterns and user adherence.

研究动机与目标

• 解决因用户追踪不一致，特别是周期跳过，导致的mHealth数据不可靠问题。
• 开发一种预测模型，能够从移动健康数据中区分真实的月经周期模式与自我追踪伪影。
• 实现实时、在线预测更新，随着周期的推进动态整合当日信息。
• 通过分层贝叶斯框架将个体周期历史与群体先验信息相结合。
• 提升预测准确率，并提供关于用户行为与周期规律性的可解释洞察。

提出的方法

• 该模型采用分层贝叶斯生成框架，基于个体历史追踪数据联合估计周期长度与跳过概率。
• 其计算在当前周期天数和学习到的超参数条件下，对下一周期长度的后验预测分布。
• 通过 $ p(d^{*} | \hat{u}, d_i, d^{*} > d_{\text{current}}) $ 对可能的跳过状态进行积分，实现对不确定性的感知预测。
• 通过基于当前周期天数进行条件预测，实现在线更新，动态调整预测分布。
• 该模型使用正态分布和伯努利分布的混合分布，分别表示周期长度与跳过行为。
• 超参数从群体水平数据中学习，支持迁移学习并提升个体间的泛化能力。

实验结果

研究问题

• RQ1 在mHealth数据中，考虑用户周期跳过如何提升月经周期长度预测的准确性？
• RQ2 与神经网络或汇总统计基线相比，生成式模型是否能在真实世界mHealth周期数据上提供更优的预测性能？
• RQ3 实时、逐日预测更新在多大程度上能提升周期预测的可解释性与可靠性？
• RQ4 该模型的分层结构在数据有限的情况下，如何增强个性化能力并保持鲁棒性？
• RQ5 周期长度预测准确率与用户追踪伪影（如跳过）概率之间存在何种关系？

主要发现

• 所提出的模型实现了最先进水平的预测准确率，在同一数据集上显著优于基于神经网络的模型（如CNN、RNN、LSTM）和汇总统计基线（均值、中位数）。
• 考虑周期跳过显著提升了预测准确率，尤其在跳过率较高的用户中表现更优，证明了模型对自我追踪伪影的鲁棒性。
• 该模型支持实时、在线预测更新，随着当前周期的推进，预测结果动态演化，提供动态且可解释的预测结果。
• 分层结构使模型能有效利用个体历史数据实现个性化建模，同时借助群体先验信息，提升数据稀疏用户的性能。
• 模型成功将真实的周期长度模式与追踪伪影分离，表现为预测准确率提升，并在不同用户子群体中保持一致的性能表现。
• 通过RMSE、MAE和中位数周期长度差异（median CLD）指标评估，结果表明该模型保持了高准确率，并更有效地捕捉了周期规律性，优于基线模型。