Markov-Switching State-Space Models with Applications to Neuroimaging
马尔可夫切换状态空间模型及其神经影像应用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：摘要直接研究时间序列的切换状态空间模型、状态内动态与状态转换。
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…
马尔可夫切换状态空间模型及其神经影像应用
- 研究问题
- 面对高维时间序列及数量指数增长的潜在状态序列，如何估计马尔可夫切换状态空间模型，并推断状态内部动态与状态转换？
- 方法与思路
- 作者结合极大似然、期望最大化算法和参数自助法，设计初始化、收敛加速及推断方法，并在模拟和脑电研究中评估。
- 材料陈述的贡献
- 摘要称，提出了适用于大规模时空数据的计算与推断方案，给出癫痫及运动想象脑电应用，并报告提供了实现方法的工具箱。
- 阅读关注点
- 应核对状态序列计算是否采用近似、初始化与加速策略的稳定性，以及高维参数估计、状态数量选择和自助推断的有效条件。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实。摘要未报告计算复杂度和具体性能；工具箱仅为摘要所述，其可用性未经核验。
原文摘要
State-space models (SSM) with Markov switching offer a powerful framework for detecting multiple regimes in time series, analyzing mutual dependence and dynamics within regimes, and asserting transitions between regimes. These models however present considerable computational challenges due to the exponential number of possible regime sequences to account for. In addition, high dimensionality of time series can hinder likelihood-based inference. This paper proposes novel statistical methods for Markov-switching SSMs using maximum likelihood estimation, Expectation-Maximization (EM), and parametric bootstrap. We develop solutions for initializing the EM algorithm, accelerating convergence, and conducting inference that are ideally suited to massive spatio-temporal data such as brain signals. We evaluate these methods in simulations and present applications to EEG studies of epilepsy and of motor imagery. All proposed methods are implemented in a MATLAB toolbox available at https://github.com/ddegras/switch-ssm.