提出了神经连续 - 离散状态空间模型 (NCDSSM)，用于对时间序列进行连续时间建模。该模型使用辅助变量进行识别和动态分离，从而仅需要为辅助变量进行摊销推理。通过连续离散滤波理论，提出了三种灵活的潜在动态参数化方法和一种能够较快地进行后验推理的训练目标函数。实验结果表明，NCDSSM 在多个基准数据集上都比现有模型具有更好的插补和预测性能。

Jan, 2023

本文提出一种基于序列编码器和解码器的，利用前后向时间信息学习双向动态的无监督异常检测方法，通过对正常样本状态空间的正则化和使用马氏距离评估异常等级，实现对复杂多元时间序列数据中异常数据模式的识别和潜在故障的检测。

Mar, 2023

基于原始感官数据的推理是一个普遍存在的问题，本研究提出了一种基于分层状态空间模型（HiSS）的新技术，用于连续的序列预测，并在六个真实传感器数据集上展示了其优越性。

Feb, 2024

研究了脑网络和脑功能的生理基质，通过 EEG 和隐马尔可夫模型分析了脑网络的时空动态和状态的拓扑结构，与经典的 EEG 微状态分析相比，发现两种方法的主导状态寿命均为 100-150ms，HMM 方法有独特的时空特性，可能从数据模式中获取生理学的信息，然而必须进一步研究以确定电脑 HMM 状态与微状态在脑功能和临床研究中的可靠性和重要性。

Jun, 2016

本文旨在将心理负荷分类为三种状态并估计连续水平，使用时间域方法中的时序卷积网络和频域方法中的多维残差块结构，以提高对大脑的心理估计的精确度。

Jul, 2023

提出了一种名为 SpaceTime 的新型状态空间时间序列体系结构，其通过一种新的 SSM 参数化基于伴随矩阵来提高表现力，并引入一个 “闭环” 变化的伴随 SSM，使其能够生成自己的逐层输入进行长期预测，同时通过算法实现前向传递的内存和计算效率提高，并在大量不同的基准测试中取得最先进的结果。

Mar, 2023

提出了一种基于神经网络的确定性推理算法，用于训练和测试具有未知参数形式的概率深度状态空间模型，实验结果表明该方法在预测性能和计算预算方面具有卓越的平衡性。

Sep, 2023

本文引入一种基于深度状态空间模型的概率时间序列预测方法，其中非线性发射模型和转移模型由网络参数化，并采用循环神经网络对其进行建模。通过自动相关性确定网络，我们还开发了一个利用外生变量的网络，以及估算外生变量不确定性，最终有助于确定有用的外生变量和压制预测中不相关的变量。使用蒙特卡罗模拟来逼近多步预测的分布，实验表明我们的模型可以准确地预测并且估算的时间随着预测步数的增加而逐渐增长。

Jan, 2021

研究多维时间序列的状态空间重建，提出一种使用信息度量准则逐步构建嵌入向量的方法，并以头皮癫痫 EEG 记录为例，探究了耦合系统中的信息流。

Jul, 2010

传统的心理健康研究方法包括广义线性模型（GLM）来描述观察到的心理行为测量（问卷摘要得分）的纵向动态。而隐藏马尔可夫模型（HMM）通过有限状态自动机（FSA）的视角应用于行为和神经活动与抑郁之间的关系，以提供更综合和直观的建模和理解框架。

Mar, 2024