Frequency Selection in Bayesian Spectral Modeling of Time Series Data with Applications to Wearable Device Measurements
时间序列贝叶斯谱建模中的频率选择及可穿戴设备应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究时间序列谱分析、频率选择和多变量节律，按时间序列方法分类，具体应用为可穿戴健康数据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
时间序列贝叶斯谱建模中的频率选择及可穿戴设备应用
- 研究问题
- 如何从时间序列中高分辨率地恢复振荡频率与谱功率，同时控制模型维度？多变量信号中的共享和特有节律如何区分？
- 方法与思路
- 作者结合精细候选频率网格、结构化尖峰厚尾先验和随机搜索，计算频率后验纳入概率，并以层级先验扩展到多变量信号。
- 材料陈述的贡献
- 摘要称该框架在模拟中改善频率与谱功率恢复，并在活动记录和皮肤温度应用中识别出昼夜、超昼夜及部分共享的节律。
- 阅读关注点
- 应核对频率网格与先验敏感性、近邻频率可辨识性、随机搜索收敛诊断，以及共享节律的判断依据与不确定性表达。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列完整模型条件、样本规模或误差数值，生理解释和比较优势仍需全文核对。
原文摘要
This paper introduces a Bayesian spike-and-slab framework for spectral analysis of time series data. The proposed method combines frequency selection and dimensionality reduction with a refined grid of candidate frequencies, enabling high-resolution recovery of oscillatory components while promoting sparsity through a structured spike-and-slab prior. A stochastic search algorithm efficiently explores the posterior space, yielding posterior inclusion probabilities that quantify the relevance of each frequency. We extend the framework to multivariate signals via a hierarchical prior on frequency inclusion patterns, allowing the model to capture both shared and component-specific rhythms across multiple time series. Extensive simulation studies demonstrate the method's robustness and superior performance in frequency estimation and spectral power reconstruction compared to existing approaches. Applied to actigraphy data from individuals with partial-onset seizures, the univariate model identifies clinically relevant circadian and ultradian rhythms. In a second application, for the joint analysis of physical activity and skin temperature from a healthy individual, the multivariate model reveals partially overlapping rhythmic components consistent with known physiological coupling. This work establishes a powerful and interpretable approach to spectral analysis, with broad applicability to wearable data, chronobiology, and personalized health monitoring.