日本語タイトル#
パーソナライズド・カウンターファクチュアル・フレームワーク：ウェアラブルデータからの潜在的結果の生成
英文タイトル#
Personalized Counterfactual Framework: Generating Potential Outcomes from Wearable Data
日本語摘要#
ウェアラブルセンサーデータは、パーソナライズされた健康モニタリングの機会を提供しますが、その複雑で長期的なデータストリームから実行可能な洞察を導き出すことは困難です。本論文では、多変量ウェアラブルデータからパーソナライズされたカウンターファクチュアルモデルを学習するためのフレームワークを紹介します。これにより、ライフスタイル選択の潜在的な個別結果を理解するための仮定シナリオを探ることができます。私たちのアプローチは、まず多モーダル類似性分析を通じて、個々のデータセットを類似の患者からのデータで強化します。次に、時間 t-1 の変数が時間 t の生理的変化にどのように影響するかをモデル化するために、時間 PC（ピーター・クラーク）アルゴリズムの適応版を使用して予測関係を発見します。これらの発見された関係に基づいて勾配ブースティングマシンを訓練し、個別の影響を定量化します。これらのモデルは、仮定の介入（例：活動や睡眠の変化）の下で生理的軌跡を予測するカウンターファクチュアルエンジンを駆動します。私たちは、一歩先の予測検証と介入の妥当性と影響を評価することによって、このフレームワークを評価します。評価は、合理的な予測精度（例：平均心拍数 MAE 4.71 bpm）と高いカウンターファクチュアルの妥当性（中央値 0.9643）を示しました。重要なのは、これらの介入が仮定のライフスタイルの変化に対する個人間の顕著な変動を強調し、このフレームワークのパーソナライズされた洞察に対する潜在能力を示していることです。この研究は、パーソナライズされた健康の動態を探求し、ライフスタイルの変化に対する個人の反応に関する仮説を生成するためのツールを提供します。
英文摘要#
Wearable sensor data offer opportunities for personalized health monitoring, yet deriving actionable insights from their complex, longitudinal data streams is challenging. This paper introduces a framework to learn personalized counterfactual models from multivariate wearable data. This enables exploring what-if scenarios to understand potential individual-specific outcomes of lifestyle choices. Our approach first augments individual datasets with data from similar patients via multi-modal similarity analysis. We then use a temporal PC (Peter-Clark) algorithm adaptation to discover predictive relationships, modeling how variables at time t-1 influence physiological changes at time t. Gradient Boosting Machines are trained on these discovered relationships to quantify individual-specific effects. These models drive a counterfactual engine projecting physiological trajectories under hypothetical interventions (e.g., activity or sleep changes). We evaluate the framework via one-step-ahead predictive validation and by assessing the plausibility and impact of interventions. Evaluation showed reasonable predictive accuracy (e.g., mean heart rate MAE 4.71 bpm) and high counterfactual plausibility (median 0.9643). Crucially, these interventions highlighted significant inter-individual variability in response to hypothetical lifestyle changes, showing the framework's potential for personalized insights. This work provides a tool to explore personalized health dynamics and generate hypotheses on individual responses to lifestyle changes.
文章ページ#
パーソナライズド・カウンターファクチュアル・フレームワーク：ウェアラブルデータからの潜在的結果の生成
PDF 获取#
抖音でさらに素晴らしいコンテンツを見るには QR コードをスキャンしてください