Quantifying the Persistence of Daily Routines

1. Planteamiento del Problema

La vida diaria está estructurada por patrones recurrentes de comportamiento (sueño, movimiento, uso de dispositivos) que alinean los ritmos biológicos con las demandas sociales y ocupacionales. Aunque investigaciones previas han establecido que los comportamientos individuales son persistentes dentro de dominios específicos (por ejemplo, "firmas sociales" en la comunicación o patrones de movilidad), se desconoce si esta persistencia se generaliza a rutinas diarias holísticas que abarcan múltiples dominios conductuales simultáneamente.

Las preguntas de investigación centrales son:

• ¿Exhiben los individuos una distribución estable y específica de la persona de días a través de un conjunto de "tipos de rutina" recurrentes?
• ¿Es la transición temporal entre estos tipos de rutina también específica de la persona y estable a lo largo del tiempo?
• ¿Persiste esta "firma de rutina" a través de diferentes poblaciones (edad, ocupación, estado de salud) y ventanas de observación (semanas a meses)?

2. Metodología

Fuentes de Datos

El estudio utilizó tres conjuntos de datos longitudinales independientes que comprenden 1.086 participantes y más de 153.000 días-persona:

1. Tesserae: 592 trabajadores de la información en EE. UU. (duración de 1 año).
2. MoMo-Mood: 164 participantes en Finlandia (133 pacientes con episodios depresivos, 31 controles sanos) durante 1 año.
3. GLOBEM: 497 estudiantes universitarios en EE. UU. durante 4 años académicos (ventanas de observación más cortas de 10 semanas por año).

Extracción de Características y Preprocesamiento

Los datos de detección pasiva se agregaron en vectores diarios que contienen 13 características en tres dominios:

• Sueño: Hora de acostarse, hora de despertar y duración (derivados de dispositivos portátiles o estado de bloqueo/desbloqueo del teléfono).
• Movilidad: Conteo de pasos o desviación estándar de la magnitud del acelerómetro, agregados en cuatro intervalos de 6 horas (Noche, Mañana, Tarde, Noche).
• Uso de Dispositivos: Duración del tiempo de pantalla, agregada en cuatro intervalos de 4 horas.
• Normalización: Las características se normalizaron mediante puntuación z dentro de cada participante para centrarse en la variabilidad intra-individual. Se excluyeron los días con datos faltantes.

Enfoque de Modelado

• Agrupamiento (GMM): Los autores emplearon Modelos de Mezcla Gaussiana (GMM) para identificar tipos de rutina latentes. A diferencia de K-Means, GMM permite un agrupamiento difuso (asignación probabilística) y captura las correlaciones de características mediante matrices de covarianza.
• Selección del Modelo: El número óptimo de clústeres ($K$) se determinó utilizando el Criterio de Información Bayesiano (BIC). El análisis identificó consistentemente 8 tipos de rutina como suficientes para capturar la estructura dominante de la vida diaria en todos los estudios.
• Definición de Firma:
  • Firma de Rutina ($\sigma$): Un vector que representa la proporción de días que un participante pasa en cada uno de los $K$ tipos de rutina, ordenados de más a menos frecuentes.
  • Firma de Transición: Una matriz de probabilidad de transición ($P \in \mathbb{R}^{K \times K}$) que representa la probabilidad de pasar de un tipo de rutina a otro entre días consecutivos.

Métricas de Persistencia

Para cuantificar la estabilidad y la distintividad, los autores dividieron los datos de cada participante en dos ventanas de tiempo iguales y calcularon:

• Distancia Propia ($d_{self}$): La distancia entre la firma de un participante en la primera mitad frente a la segunda mitad (midiendo la estabilidad intra-individual).
• Distancia de Referencia ($d_{ref}$): La distancia entre la firma de un participante y las firmas de otros participantes en la misma ventana de tiempo (midiendo la distintividad interindividual).
• Métricas de Distancia: Principalmente Divergencia Jensen-Shannon (JSD) para firmas distribucionales, con Distancia Coseno y Distancia Bhattacharyya utilizadas para verificaciones de robustez.

3. Resultados Clave

Descubrimiento de Tipos de Rutina

• La vida diaria se resuelve en un conjunto compacto de ~8 tipos de rutina interpretables.
• Estos tipos surgieron de forma no supervisada sin datos de calendario, pero reflejaron claramente estructuras del mundo real (por ejemplo, días laborales estándar, fines de semana/días festivos con más sueño y mayor uso de pantallas, y patrones de movilidad nocturna).
• Dominancia: En todos los estudios, los dos tipos de rutina más frecuentes representaron un promedio de 57,63% de los días de un participante, lo que indica que los individuos pasan la mayoría de su tiempo en solo dos patrones recurrentes.

Estabilidad de las Firmas de Rutina

• Estabilidad Intra-individual: La firma de rutina de un participante fue significativamente más similar a su yo pasado que a la de cualquier otro individuo ($d_{self} < d_{ref}$).
  • Tesserae: $d_{self} = 0,135$ vs. $d_{ref} = 0,164$ ($p < 10^{-3}$).
  • Esta estabilidad se mantuvo tanto en ventanas de observación cortas (30 días) como largas (135 días).
• Dinámicas de Transición: La forma en que los individuos transitan entre tipos de rutina (la matriz de transición) también fue específica de la persona y estable.
  • Tesserae: $d_{self} = 0,481$ vs. $d_{ref} = 0,537$ ($p < 10^{-3}$).
  • Esto indica que los individuos no solo se apegan a una sola rutina, sino que ciclan a través de múltiples tipos en un orden característico y no aleatorio.

Predictores de Persistencia

• Demografía: La edad y el género mostraron ninguna asociación significativa con la estabilidad de las firmas de rutina.
• Rasgos de Personalidad:
  • Responsabilidad: Asociada positivamente con mayores distancias de firma (indicando menos estabilidad) en análisis de ventanas largas ($p=0,001$).
  • Neuroticismo: Asociado positivamente con la distancia de la firma de rutina en modelos de ventanas largas ($p=0,039$).
  • Nota: La correlación positiva con la distancia implica que puntuaciones más altas en estos rasgos se correlacionan con rutinas menos rígidas/persistentes en este contexto específico, aunque los tamaños del efecto fueron modestos.

4. Contribuciones Clave

1. Marco Holístico: Avanza más allá del análisis conductual de dominio único (por ejemplo, solo sueño o solo movilidad) para modelar rutinas diarias multimodales simultáneamente.
2. Concepto de Firma de Rutina: Formaliza la "firma de rutina" como una métrica de doble componente: (1) distribución de asignación de tiempo y (2) dinámicas de transición día a día.
3. Validación de la Persistencia: Demuestra que estas firmas son "huellas dactilares conductuales" robustas que persisten a través de diversas poblaciones (clínica, estudiantil, profesional) y escalas de tiempo.
4. Descubrimiento No Supervisado: Prueba que un pequeño conjunto de tipos de rutina latentes (aprox. 8) puede explicar la estructura dominante de la vida diaria sin etiquetado previo.

5. Significado e Implicaciones

• Monitoreo de Salud Personalizado: Las firmas de rutina pueden servir como líneas base específicas del individuo. Las desviaciones de la propia firma de una persona (en lugar de las normas poblacionales) podrían detectar signos tempranos de problemas de salud, recaídas de salud mental o alteraciones del estilo de vida.
• Riesgo de Reidentificación: La alta distintividad y estabilidad temporal de estas firmas plantean un riesgo de privacidad. Incluso en conjuntos de datos desidentificados, la combinación de múltiples modalidades conductuales podría permitir la reidentificación de individuos a través del tiempo y de conjuntos de datos.
• Ciencia Conductual: Establece que la "persistencia" observada en comportamientos individuales es un principio general de la organización humana, lo que sugiere que los humanos naturalmente se asientan en un conjunto limitado de patrones complejos y multiconductuales para gestionar la carga cognitiva y las demandas ambientales.

Limitaciones

• Escasez de Datos: Los datos de ubicación (GPS) se excluyeron debido a una alta tasa de datos faltantes, y las características de comunicación fueron escasas (limitadas a llamadas/SMS), perdiendo potencialmente matices en la interacción social.
• Naturaleza No Supervisada: Aunque es robusto, el agrupamiento es no supervisado; los significados de los clústeres pueden variar ligeramente entre poblaciones, y el enfoque de "bolsa de días" ignora las dependencias temporales secuenciales (aunque surgieron naturalmente periodos como divisiones entre días laborables y fines de semana). El trabajo futuro podría incorporar modelos de Markov para capturar mejor las secuencias temporales.