008240612s2023      us  |||||||||||||||c||eng  d
■001000016935384
■00520240214101925
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380848220
■035    ▼a(MiAaPQ)AAI30695945
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a614.4
■1001  ▼aWerkmann,  Verena  Rebekka.
■24510▼aApproaches  to  Functional  Time  Series  Data  Analysis  With  Applications  to  Physical  Activity  Measurements▼h[electronic  resource]
■260    ▼a[S.l.]:▼bIndiana  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(149  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-05,  Section:  B.
■500    ▼aAdvisor:  Harezlak,  Jaroslaw.
■5021  ▼aThesis  (Ph.D.)--Indiana  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThe  central  topic  in  the  three  parts  of  my  dissertation  is  the  use  of  accelerometer-derived  data  in  public  health  applications.  In  parts  one  and  two,  we  examine  real-world  and  simulated  accelerometry  data  using  functional  data  analysis  techniques.  We  show  that  the  multilevel  functional  principal  component  analysis  (MFPCA)  approach,  originally  developed  to  account  for  a  common-component  correlation,  can  be  meaningfully  applied  in  settings  featuring  more  complex  correlation  patterns.  In  part  one,  we  evaluate  several  procedures  for  selecting  the  number  of  functional  principal  components  to  retain  after  MFPCA  is  applied  to  a  simulated  collection  of  functional  time  series.  The  data  are  generated  from  a  modified  functional  linear  mixed  effects  model  that  allows  for  dependencies  within  and  across  subjects.  A  real-world  equivalent  to  this  structure  could  be  data  collected  from  players  of  a  team  sport.  Realistic  sample  sizes  in  the  lower  100s  can  provide  accurate  recovery  of  the  shape  and  number  of  components  on  the  player-specific  level  under  both  dependence  types.  While  we  find  no  uniformly  optimal  method,  the  most  intuitive  ones  relying  on  the  idea  of  a  scree  plot  perform  most  reliably.  Parts  two  and  three  use  preprocessed  real-world  accelerometer-derived  walking  data  from  a  multi-subject  study.  These  data  are  transformed  into  the  frequency  domain  to  obtain  walking  spectra.  In  part  two,  we  apply  structured  functional  principal  component  analysis  (SFPCA)  to  extract  features  from  walking  signals  on  the  subject  and  the  subject-spectrum  level.  In  regressions,  we  associate  the  subject-level  feature  scores  with  age  and  physical  health  measures.  SFPCA  decomposes  these  spectra  into  easily  interpretable  features,  which  can  be  related  to  physical  performance,  potentially  shedding  light  on  subclinical  disease.  In  part  three,  we  propose  a  gait-based  algorithm  for  the  recognition  of  individuals.  The  manner  of  walking  is  primarily  determined  by  physical  features  and  individual-specific  behaviors  and  can  thus  be  used  as  a  biometric  identifier.  Different  from  existing  procedures,  our  method  does  not  require  any  supplemental  algorithms  once  the  data  is  transformed  into  the  frequency  domain.  Instead,  we  correlate  the  spectra  within  and  across  individuals  and  find  that  intra-subject  curves  are  more  strongly  correlated  than  inter-subject  curves.  Thus,  our  algorithm  can  accurately  identify  the  participants.
■590    ▼aSchool  code:  0093.
■650  4▼aEpidemiology.
■650  4▼aBiostatistics.
■650  4▼aPublic  health.
■653    ▼aTime  series
■653    ▼aAccelerometer-derived  data
■653    ▼aCorrelation  patterns
■653    ▼aWalking  data
■653    ▼aIntra-subject  curves
■690    ▼a0766
■690    ▼a0308
■690    ▼a0573
■71020▼aIndiana  University▼bSchool  of  Public  Health.
■7730  ▼tDissertations  Abstracts  International▼g85-05B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0093
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935384▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024