《移动传感器数据的多尺度和多模态表征》美国陆军2023最新技术报告

生理和行为过程在多个时间尺度上展开。传统的时间序列分析工具被设计用来捕捉静止的、单一尺度的过程，这可能会错过重要的信息。近几十年来，人们提出了一些方法来捕捉时间序列的多尺度特性，如去势波动分析。本报告研究了生理和行为的多尺度测量适合Fitbit Charge 4移动传感器的被动感应数据的方式。使用传统的时间序列分析和新开发的多尺度方法：多尺度回归分析，分析了来自办公室工作人员的大型长期研究的身体活动和心率（HR）数据。这些分析是在日和月的水平上进行的。结果表明，与单尺度分析相比，多尺度分析使模型的R2大幅提高，用于HR和步数的自相关分析（增加13%至108%）和HR与步数的交叉相关或一致性分析（增加21%至88%）。与心率相比，考虑体力活动时，多尺度分析导致更好的拟合统计数据是最有利的。总体结果表明，通过估计多尺度而不是单尺度的过程，可以更好地反映日常生活中的生理和行为。

引言

人类行为和生理学在多个时间尺度上运行，有多个相互作用的组成部分，包括精神和生理过程。分析时间序列数据的传统方法假定数据在单一时间尺度上运行；也就是说，数据产生的过程存在于单一时间尺度上，所以当以特定的速度测量时，感兴趣的模式是可以观察到的。因此，这些传统的方法往往会错过现实世界人类数据的关键属性，可能会掩盖重要的影响，导致更差的模型拟合和糟糕的预测性能。例如，心率（HR）数据经常使用多尺度方法进行研究（Peng等人，1995），许多研究结果表明，心脏搏动间期最好用多尺度而不是单尺度测量来描述（Peng等人，1995；Perkiömäki等人，2000；胡等人，2010）。

近年来，已经开发了一些表征时间序列数据多尺度特性的方法，包括捕捉多个时间序列之间关联的方法。这些方法已经被应用于心理学、经济学、地球物理学和城市规划等领域（Yuan等人，2015），但是它们还没有被应用于对人们日常生活的大型长期研究。随着技术的进步，复杂的数据收集系统越来越容易获得，这种范围的数据集也越来越普遍，考虑到这种数据所反映的多尺度过程可能很重要，将多尺度建模与长期和 "野外 "收集的数据相结合是一个重要步骤。

在这里，我们旨在确定在被动传感人类数据的大型长期数据集上使用这些多尺度和多模态方法在模型拟合方面的收益。最终，这种方法可能会促进对士兵的健康、准备和心理状态的低成本、准确评估，有可能改善指挥官的决策，并形成适应性技术的基础，如人工智能，可以作为队友而不是工具。