Mixed-Response State-Space Model for Analyzing Multi-Dimensional Digital Phenotypes
分析多维数字表型的混合响应状态空间模型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：摘要明确使用潜在状态时间序列、状态空间模型和卡尔曼滤波，支持时间序列分类；应用场景本身属于移动健康研究。
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…
分析多维数字表型的混合响应状态空间模型
- 研究问题
- 如何从多维、多模态数字表型中区分动态健康状态、个体化治疗变化、生活环境与测量噪声，并处理测量过程的信息性。
- 方法与思路
- 作者提出混合响应状态空间模型，以有限个潜在状态时间序列联合刻画表型及测量过程，分别采用卡尔曼滤波和近似重要性抽样计算。
- 材料陈述的贡献
- 摘要称，该模型能描述动态健康状态与个体化时变治疗效应，并调整信息性测量；模拟和帕金森病移动健康应用展示了建模优势。
- 阅读关注点
- 应核对潜在状态的含义与可识别性、测量过程如何建模，以及非高斯计算近似、治疗效应解释和模型比较各自依赖哪些条件。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未核实；摘要未说明混杂控制与因果识别条件，潜在治疗状态不能直接视为已识别的因果效应。
原文摘要
Digital technologies (e.g., mobile phones) can be used to obtain objective, frequent, and real-world digital phenotypes from individuals. However, modeling these data poses substantial challenges since observational data are subject to confounding and various sources of variabilities. For example, signals on patients' underlying health status and treatment effects are mixed with variation due to the living environment and measurement noises. The digital phenotype data thus shows extensive variabilities between- and within-patient as well as across different health domains (e.g., motor, cognitive, and speaking). Motivated by a mobile health study of Parkinson's disease (PD), we develop a mixed-response state-space (MRSS) model to jointly capture multi-dimensional, multi-modal digital phenotypes and their measurement processes by a finite number of latent state time series. These latent states reflect the dynamic health status and personalized time-varying treatment effects and can be used to adjust for informative measurements. For computation, we use the Kalman filter for Gaussian phenotypes and importance sampling with Laplace approximation for non-Gaussian phenotypes. We conduct comprehensive simulation studies and demonstrate the advantage of MRSS in modeling a mobile health study that remotely collects real-time digital phenotypes from PD patients.