Generalised mixed effects models for changepoint analysis of biomedical time series data
用于生物医学时间序列变点分析的广义混合效应模型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的多个变点检测，应用虽为生物医学，方法主题对应时间序列与结构变化。
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…
用于生物医学时间序列变点分析的广义混合效应模型
- 研究问题
- 对于数字健康监测和神经影像时间序列，如何在变点分析中纳入数据自身的结构，并识别可能存在的多个变化点？
- 方法与思路
- 作者采用广义线性混合模型描述生物医学序列结构，将混合模型嵌入动态规划算法，以检测功能磁共振数据中的多个变点。
- 材料陈述的贡献
- 摘要称，论文提出结合混合模型与变点检测的新方法，在多种模拟场景中评价，并以两类生物医学应用展示用途。
- 阅读关注点
- 应核对随机效应和时间依赖的设定、变点数量选择、动态规划目标函数，以及两类应用是否采用相同建模方式。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明变点对应的参数、理论保证或具体比较结果。
原文摘要
Motivated by two distinct types of biomedical time series data, digital health monitoring and neuroimaging, we develop a novel approach for changepoint analysis that uses a generalised linear mixed model framework. The generalised linear mixed model framework lets us incorporate structure that is usually present in biomedical time series data. We embed the mixed model in a dynamic programming algorithm for detecting multiple changepoints in the fMRI data. We evaluate the performance of our proposed method across several scenarios using simulations. Finally, we show the utility of our proposed method on our two distinct motivating applications.