EINSATZ VON mHEALTH FRAGEBÖGEN; UM ZU VERSTEHEN WIE SICH DIE KOGNITIVE VITALITÄT ENTWICKELT

ABLEITUNG VON PHÄNOTYPEN VON PROBANDEN UND ÜBERWACHUNG IHRER ENTWICKLUNG

ANALYSE, ÜBERWACHUNG UND ENTWICKLUNG

Mehrschichtige Netzwerke eignen sich für die Konstruktion von Phänotypen von Individuen, da die Ähnlichkeit zwischen den Schichten und die Ähnlichkeit innerhalb der Schichten verwendet werden kann, um ausgefeilte Formen der Nähe zwischen Individuen in derselben Schicht und zwischen Merkmalen/Schichten auszudrücken. Die Merkmale dieser Individuen ändern sich jedoch im Laufe der Zeit, beispielsweise durch Altern, Rückgang der kognitiven Fähigkeiten durch degenerative Erkrankungen oder auch eine bessere Gesundheit durch sportliche Betätigung.
Die Umsetzung dieser Entwicklung in zeitliches Lernen in mehrschichtigen Netzwerken ist eine Herausforderung: Es ist möglich, Schnappschüsse in regelmäßigen Zeitabständen festzulegen und für jeden Schnappschuss Untergruppen zu bilden. Jedoch stimmen Untergruppen verschiedener Schnappschüsse nicht miteinander überein, obwohl sie teilweise dieselben Individuen enthalten. Dies führt zu dem Problem, dass die Qualität der Untergruppen bei jedem Schnappschuss optimiert, während die Kontinuität der Untergruppen über die Schnappschüsse hinweg gewährleistet werden muss. In diesem Projekt schlagen wir einen Ansatz für die Evolution eines mehrschichtigen Snapshot-Netzwerks vor, der (i) eine Methode für den Abgleich von Untergruppen über Snapshots hinweg umfasst, selbst für Untergruppen, die nicht genau den gleichen Satz von Schichten aufweisen; (ii) ein Evolutionsmodell, das verschiedene Formen der Veränderung von Untergruppen abdeckt, und (iii) einen Bewertungsmechanismus, der den Beitrag von Untergruppen im Laufe der Zeit bei der Vorhersage einer Zielvariablen bewertet. Wir evaluieren unseren Ansatz für die Aufgabe der Vorhersage der Leistung von mHealth-Nutzern bei kognitiven Bewertungen.