[论文解读] Intra-day Activity Better Predicts Chronic Conditions

Tom Quisel, David C. Kale+1 more|arXiv (Cornell University)|Dec 4, 2016

Context-Aware Activity Recognition Systems参考文献 6被引用 6

一句话总结

本研究证明，可穿戴设备的日内活动模式——特别是分钟级的步数和睡眠数据——显著提升了对自我报告的慢性病的预测能力，尤其在心理健康和神经系统疾病方面。采用多任务卷积神经网络（CNN）处理多变量时间序列数据，模型表现优于基线模型（AUC = .719），且相较于日级数据，分钟级数据带来了统计上显著的性能提升。

ABSTRACT

In this work we investigate intra-day patterns of activity on a population of 7,261 users of mobile health wearable devices and apps. We show that: (1) using intra-day step and sleep data recorded from passive trackers significantly improves classification performance on self-reported chronic conditions related to mental health and nervous system disorders, (2) Convolutional Neural Networks achieve top classification performance vs. baseline models when trained directly on multivariate time series of activity data, and (3) jointly predicting all condition classes via multi-task learning can be leveraged to extract features that generalize across data sets and achieve the highest classification performance.

研究动机与目标

• 探究被动可穿戴追踪器提供的日内活动模式是否能提升对自我报告慢性病的预测能力。
• 评估时间粒度提升（从日级到分钟级）对心理健康及代谢/循环系统疾病分类性能的影响。
• 对比深度学习模型（CNN、RNN）与传统基线模型（逻辑回归、随机森林）在原始特征与工程化特征上的表现。
• 评估多任务学习在提升相关健康状况间泛化能力与性能方面的有效性。
• 量化各数据层（人口统计、健康指标、日级活动、分钟级步数/睡眠）对分类性能的增量贡献。

提出的方法

• 本研究使用每天空有74个特征的多变量时间序列输入，涵盖7,261名用户的个人资料、健康数据、日级活动以及分钟级步数/睡眠的汇总统计信息。
• 采用两阶段单变量CNN架构，分别处理每条时间序列（如步数）后，再拼接特征用于最终分类。
• 模型使用8和4个滤波器，卷积核大小分别为7和5，步长为2，随后是最大池化（卷积核大小为2，步长为2），并接一个300维的全连接层。
• 多任务学习同时在一个CNN上训练全部9种疾病（6种MH/NS，3种M/C），以提升相关任务间的特征泛化能力。
• 性能通过4折交叉验证评估，主要指标为AUC，并通过配对t检验在各折和任务间检验显著性。
• 数据缺失通过用户特定的线性插值法填补，且在剔除疑似不完整日期后进行。

实验结果

研究问题

• RQ1 与日级数据相比，分钟级粒度的日内活动数据是否能提升慢性病分类性能？
• RQ2 在多种慢性病上进行多任务学习与单任务学习相比，对模型性能有何影响？
• RQ3 哪些数据层（人口统计、健康指标、日级活动、分钟级步数/睡眠）对预测准确率的贡献最为显著？
• RQ4 当在原始时间序列数据上训练时，CNN等深度学习模型是否优于传统机器学习模型（如逻辑回归、随机森林）？
• RQ5 高时间分辨率数据的优势在不同慢性病聚类（心理健康 vs. 代谢/循环系统）中是否一致？

主要发现

• 多任务CNN达到最高总体AUC为.719，显著优于单任务CNN（AUC .704，p = .01）。
• 分钟级睡眠数据在心理健康/神经系统疾病中的AUC贡献最大增量（+0.019，p = .003）。
• 分钟级步数数据为MH/NS聚类带来+0.008的AUC提升（p = .022），而日级活动数据提升AUC达+0.021（p < .001）。
• MT CNN在2型糖尿病上的AUC达到最高值.821，表明通过共享特征学习，模型在罕见疾病上也表现出色。
• CNN优于原始数据逻辑回归模型（AUC .642），表明深度学习可在无需人工特征工程的情况下学习有效表征。
• 对于代谢/循环系统疾病，仅凭人口统计和基本健康数据性能已较强，更高时间分辨率数据未带来显著增益。