Marie de Roy de Chaumaray (ENSAI)
L’analyse de données d’accelerométrie consiste à extraire des informations sur les temps passés à différents niveaux d’activité. Ces informations sont généralement utilisées ensuite dans un modèle prédictif. Nous proposons une modélisation de ce type de données utilisant un mélange de chaînes de Markov cachées, afin de pouvoir automatiquement détecter le nombre de niveaux d’activités ainsi que leurs caractéristiques. Pour tenir compte de la spécificité des données d’accéléromètre, les données sont modélisées par une distribution de Zero-inflated Gamma dont les paramètres sont spécifiques à l’état caché. La modélisation par un mélange permet de tenir compte de l’hétérogénéité de la population. Les propriétés de cette modélisation (identifiabilité, gestion de valeurs manquantes, probabilité de détecter la vraie partition) sont discutées.