本文主要包含以下內容:
介紹了兩種不同類型的生物醫學時間序列資料,即數字健康監測和神經影像資料。這些資料通常包含有結構性,如縱向設計和多變量時間序列的社區結構。
提出了一種新的廣義線性混合效應模型框架,能夠有效地利用這些資料結構。這包括廣義線性混合效應回歸(GLMER)模型和線性混合效應協方差(LMEC)模型。
將這些模型與修剪精確線性時間(PELT)算法相結合,用於檢測多個變點。
通過模擬研究評估了所提方法在不同情況下的表現,包括違反假設的情況。
展示了所提方法在兩個不同應用中的實用性,包括數字健康監測和靜息狀態功能性磁共振成像(rs-fMRI)資料。
總的來說,本文提出了一種靈活的建模框架,能夠有效地利用生物醫學時間序列資料的結構特徵,從而提高變點檢測和參數估計的性能。
翻譯成其他語言
從原文內容
arxiv.org
深入探究