要約 ウェアラブルデバイス技術の急速な進展に伴い、医療現場で使用するための客観的、低コスト、リアルタイムの代替手段として、ウェアラブルデバイスデータから有用なデジタルバイオマーカーを学ぶことへの関心が高まっています。これにより、病気の進行状況のモニタリング、投薬の調整、および臨床試験のエンドポイントの補完が可能です。例えば、三軸加速度計センサーデータは、パーキンソン病（PD）の震えなど、運動関連疾患の症状を監視するための有望な手段です。しかし、隠れマルコフモデル（HMM）に基づく加速度計研究の既存の方法は、各個人の活動データを別々に分析することが多く、非効率性と限られた一般化可能性をもたらします。本論文では、被験者特有の遷移パラメータを取り入れるために、階層的ディリクレ過程自己回帰HMM（HDP-AR-HMM）を拡張する共同非パラメトリックベイズ法を提案します。このアプローチにより、複数の被験者と繰り返し測定にわたる同時推定が可能になり、被験者間の変動に考慮しつつ、状態の数を事前に指定することなく、一貫した隠れ状態推定を提供します。シミュレーションデータで私たちの方法を検証し、従来の方法と比較して真の隠れ状態を検出する際により高い精度を達成できることを示します。本方法を自由生活研究、バイオマーカーとエンドポイント評価によるパーキンソン病追跡（BEAT-PD）DREAMチャレンジCIS-PD研究に適用し、PD患者の病状モニタリングにおけるその有用性を示します。
Fei et al. (Mon,) はこの問題を研究しました。