論文の概要: A Non-negative Matrix Factorization Based Method for Quantifying Rhythms
of Activity and Sleep and Chronotypes Using Mobile Phone Data
- arxiv url: http://arxiv.org/abs/2009.09914v1
- Date: Mon, 21 Sep 2020 14:33:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 05:51:47.645223
- Title: A Non-negative Matrix Factorization Based Method for Quantifying Rhythms
of Activity and Sleep and Chronotypes Using Mobile Phone Data
- Title（参考訳）: 携帯電話データを用いた非負行列分解法による活動リズム・睡眠リズム・時間特性の定量化
- Authors: Talayeh Aledavood, Ilkka Kivim\"aki, Sune Lehmann, and Jari Saram\"aki
- Abstract要約: 人間の活動は毎日、週、季節のリズムに従っている。
これらのリズムの出現は、生理学や自然循環、社会構造に関係している。
これらのリズムの頻度は、多かれ少なかれ人の間で似ているが、その相は異なる。
- 参考スコア（独自算出の注目度）: 0.7093070664045024
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human activities follow daily, weekly, and seasonal rhythms. The emergence of
these rhythms is related to physiology and natural cycles as well as social
constructs. The human body and biological functions undergo near 24-hour
rhythms (circadian rhythms). The frequency of these rhythms is more or less
similar across people, but its phase is different. In the chronobiology
literature, based on the propensity to sleep at different hours of the day,
people are categorized into morning-type, evening-type, and intermediate-type
groups called \textit{chronotypes}. This typology is typically based on
carefully designed questionnaires or manually crafted features drawing on data
on timings of people's activity. Here we develop a fully data-driven
(unsupervised) method to decompose individual temporal activity patterns into
components. This has the advantage of not including any predetermined
assumptions about sleep and activity hours, but the results are fully
context-dependent and determined by the most prominent features of the activity
data. Using a year-long dataset from mobile phone screen usage logs of 400
people, we find four emergent temporal components: morning activity, night
activity, evening activity and activity at noon. Individual behavior can be
reduced to weights on these four components. We do not observe any clear
emergent categories of people based on the weights, but individuals are rather
placed on a continuous spectrum according to the timings of their activities.
High loads on morning and night components highly correlate with going to bed
and waking up times. Our work points towards a data-driven way of categorizing
people based on their full daily and weekly rhythms of activity and behavior,
rather than focusing mainly on the timing of their sleeping periods.
- Abstract（参考訳）: 人間の活動は、毎日、週、季節のリズムに従う。
これらのリズムの出現は、生理学や自然循環や社会的構成と関係している。
人体と生物学的機能は24時間リズム(概日リズム)に近い。
これらのリズムの周波数は、多かれ少なかれ人々の間で似ているが、位相が異なる。
時間生物学の文献では、その日の異なる時間に睡眠する確率に基づいて、人々は「textit{chronotypes」と呼ばれる朝型、夕型、中間型に分類される。
このタイプは典型的には、慎重に設計されたアンケートや、人々の活動のタイミングに関するデータに基づいて手作業で作成される特徴に基づいている。
ここでは,データ駆動型(教師なし)手法を開発し,個々の時間的活動パターンをコンポーネントに分解する。
これは、睡眠と活動時間に関する所定の仮定を含まないという利点があるが、その結果は完全に文脈に依存し、活動データの最も顕著な特徴によって決定される。
400人の携帯電話画面使用ログから1年間のデータセットを使用して、朝のアクティビティ、夜のアクティビティ、夜のアクティビティ、正午のアクティビティの4つの緊急時的コンポーネントを見つけました。
個々の行動はこれら4つの構成要素の重み付けに還元できる。
重みに基づいた明確な創発的なカテゴリーは観察しないが、個人の活動のタイミングに応じて、個人はより連続的なスペクトルに置かれる。
朝夜の部品の負荷は、寝る時間や目を覚ます時間と非常に相関している。
我々の研究は、主に睡眠時間のタイミングに焦点をあてるのではなく、日々の行動と行動の完全なリズムに基づいて、人々を分類するデータ駆動型手法をめざしている。
関連論文リスト
- Identifying Human Indoor Daily Life Behavior employing Thermal Sensor Arrays (TSAs) [1.0454158318077296]
ヒトの生活活動は昼夜監視された。
睡眠活動が優勢であった。
本研究は,TSAが人間の活動を監視する上で最適な選択であることを示した。
論文 参考訳（メタデータ） (2024-09-13T03:12:10Z) - Multi-Channel Time-Series Person and Soft-Biometric Identification [65.83256210066787]
本研究は, 深層建築を用いて異なる活動を行う人間の記録から, 個人とソフトバイオメトリックスを同定する。
マルチチャネル時系列ヒューマンアクティビティ認識(HAR)の4つのデータセットに対する手法の評価を行った。
ソフトバイオメトリクスに基づく属性表現は、有望な結果を示し、より大きなデータセットの必要性を強調している。
論文 参考訳（メタデータ） (2023-04-04T07:24:51Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳（メタデータ） (2023-01-19T12:33:50Z) - Sleep Activity Recognition and Characterization from Multi-Source
Passively Sensed Data [67.60224656603823]
睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。
本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。
これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
論文 参考訳（メタデータ） (2023-01-17T15:18:45Z) - Heterogeneous Hidden Markov Models for Sleep Activity Recognition from
Multi-Source Passively Sensed Data [67.60224656603823]
精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。
睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。
スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
論文 参考訳（メタデータ） (2022-11-08T17:29:40Z) - Domain Adaptation Under Behavioral and Temporal Shifts for Natural Time
Series Mobile Activity Recognition [31.43183992755392]
既存のデータセットは典型的にはスクリプト化された動きで構成されている。
我々の長期的な目標は、自然環境下でのモバイル活動認識を行うことです。
ヒトの行動に大きな変化があるため、2つの異なる年齢グループから多くの参加者からデータを収集します。
論文 参考訳（メタデータ） (2022-07-10T02:48:34Z) - HAR-GCNN: Deep Graph CNNs for Human Activity Recognition From Highly
Unlabeled Mobile Sensor Data [61.79595926825511]
正確な活動ラベルを含むバランスのとれたデータセットを取得するには、人間が正しく注釈を付け、リアルタイムで被験者の通常の活動に干渉する必要がある。
本研究では,HAR-GCCNモデルを提案する。HAR-GCCNは,時系列に隣接したセンサ測定の相関を利用して,不特定活動の正確なラベルを予測する。
Har-GCCNは、これまで使用されていたベースライン手法と比較して優れたパフォーマンスを示し、分類精度を25%改善し、異なるデータセットで最大68%向上した。
論文 参考訳（メタデータ） (2022-03-07T01:23:46Z) - PARIS: Personalized Activity Recommendation for Improving Sleep Quality [1.746071703430171]
睡眠不足の人は、身体的・精神的苦痛、活動制限、不安、痛みを報告しやすい。
身体活動と睡眠の質の関係を利用して、機械学習技術を用いて睡眠を改善する方法を探る。
論文 参考訳（メタデータ） (2021-10-26T14:50:19Z) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳（メタデータ） (2021-06-24T17:46:03Z) - Online Mobile App Usage as an Indicator of Sleep Behavior and Job
Performance [10.123694696550965]
睡眠は人間の機能にとって重要であり、記憶、気分、エネルギー、警戒などの要因を媒介する。
オンラインモバイルアプリとの日々のインタラクションは、実世界の状況において、仕事のパフォーマンスに関する洞察を明らかにすることができる。
論文 参考訳（メタデータ） (2021-02-24T19:30:39Z) - N=1 Modelling of Lifestyle Impact on SleepPerformance [2.9073923339818006]
睡眠は健康な生活に欠かせない。
最近の研究にもかかわらず、実際の環境でパーソナライズされた睡眠モデルを作成することは困難だった。
本研究では,日常活動と睡眠品質の因果関係を同定する睡眠モデルを提案する。
論文 参考訳（メタデータ） (2020-06-18T22:43:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。