中文标题#
個性化反事實框架：從可穿戴數據生成潛在結果
英文标题#
Personalized Counterfactual Framework: Generating Potential Outcomes from Wearable Data
中文摘要#
可穿戴傳感器數據為個性化健康監測提供了機會，但從其複雜、長期的數據流中得出可操作的見解是具有挑戰性的。 本文介紹了一個框架，用於從多變量可穿戴數據中學習個性化的反事實模型。 這使得可以探索假設情景，以了解生活方式選擇的潛在個體特定結果。 我們的方法首先通過多模態相似性分析，將個體數據集與類似患者的數據顯示進行增強。 然後我們使用時間 PC（Peter-Clark）算法的適應版本來發現預測關係，建模時間 t-1 的變量如何影響時間 t 的生理變化。 通過這些發現的關係訓練梯度提升機，以量化個體特定的影響。 這些模型驅動一個反事實引擎，在假定干預措施（例如活動或睡眠變化）下預測生理軌跡。 我們通過一步 ahead 預測驗證和評估干預措施的合理性和影響來評估該框架。 評估顯示合理的預測準確性（例如，平均心率 MAE 為 4.71 bpm）和高的反事實合理性（中位數 0.9643）。 至關重要的是，這些干預措施突顯了個體對假設生活方式變化的顯著個體間差異，表明該框架在個性化見解方面的潛力。 這項工作提供了一個工具，用於探索個性化健康動態並生成關於個體對生活方式變化反應的假設。
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.
文章页面#
PDF 获取#
抖音掃碼查看更多精彩內容