基于方差意识的惩罚性面板模型，用于从可穿戴传感器数据中检测时间风险

《Journal of Translational Medicine》：Variance-aware penalized panel models for temporal risk detection from wearable sensor data

　　

摘要

背景

可穿戴设备能够生成连续的高分辨率生理数据，为实时评估压力、觉醒状态以及早期生理机能衰退提供了可能。但现有的分析方法往往将数据中的变异视为干扰噪声，或依赖带有标签的分类器。我们提出了一种适用于个体差异的动态风险检测计算方法，该方法能明确区分高维多主体传感器数据中的条件均值与方差动态。

结果

所提出的惩罚型面板ARX–GARCHX模型整合了个体特定的基准值、共享的自回归动态、稀疏的多模态协变量效应以及与协变量相关的波动性。该模型通过基于超限值的评分方式，来估算超过个体化生理阈值的条件概率。在稳定、季节性、瞬态和持续不同环境下的模拟实验表明，当波动性具有结构特征时，考虑协变量驱动的方差变化有助于更准确地识别超过阈值的风险。在可穿戴压力与情绪检测（WESAD）测试中，该评分方法能够提供可解释的、无需标签的时间序列概览，相比原始心率数据能更清晰地划分出与压力相关的时段，同时还能保持较低的计算量以适应实时处理需求。

结论

考虑方差特征的惩罚型面板建模方法为将含噪声的可穿戴设备数据转换为适合个体差异的风险状态评分提供了可重复的方法。该方法主要用于特征提取，若要用于临床决策支持，还需进行进一步的验证。

试验注册

不适用。本研究是一篇方法学文章，使用的是公开的可获取的二手数据，并不属于临床试验。