Comparative study of clustering models for multivariate time series from connected medical devices

要約

ヘルスケアでは、多くの場合、患者データが多変量時系列として収集され、長期にわたる患者の健康状態の包括的なビューが提供されます。
このデータはまばらである可能性がありますが、接続されたデバイスによってその頻度が高まる可能性があります。
目標は、これらの時系列から患者プロファイルを作成することです。
ラベルがない場合、予測モデルを使用して、潜在クラスター空間を形成しながら将来の値を予測し、予測パフォーマンスに基づいて評価できます。
Withing のデータセットの 2 つのモデル、時系列全体をクラスタリングする M AGMAC LUST と、個人のグループへの所属を時間の経過とともに変更できるようにする DGM${}^2$ を比較します (動的クラスタリング)。

要約(オリジナル)

In healthcare, patient data is often collected as multivariate time series, providing a comprehensive view of a patient’s health status over time. While this data can be sparse, connected devices may enhance its frequency. The goal is to create patient profiles from these time series. In the absence of labels, a predictive model can be used to predict future values while forming a latent cluster space, evaluated based on predictive performance. We compare two models on Withing’s datasets, M AGMAC LUST which clusters entire time series and DGM${}^2$ which allows the group affiliation of an individual to change over time (dynamic clustering).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google