分析医疗时间序列数据具有挑战性,而多维度且具有不规则采样、噪声和缺失值的数据、违反可交换性的异质患者组以及可解释性和不确定性量化至关重要。本文提出了一种新颖的模型类别 —— 混合耦合隐马尔可夫模型(M-CHMM),并展示了它优雅地解决了这些挑战。通过提出基于(i)粒子滤波和(ii)分解近似的采样器算法,我们使模型学习成为可能。与现有推理方法相比,我们的算法具有计算可行性、改善混合度和似然估计的特点,似然估计对于学习混合模型是必要的。对具有挑战性的真实流行病学和半合成数据的实验证明了 M-CHMM 的优点:改善数据拟合,能够高效处理缺失和噪声测量,提高预测准确性,并能够识别数据中可解释的子集。
Nov, 2023
本研究致力于通过机器学习实现女性激素周期的个性化建模,包括健康人和患有生殖系统疾病的人。通过使用高斯过程回归等技术,实现对个体周期相异性的建模并预测其周期阶段。结果表明,高斯过程可以有效地用来模拟女性激素周期,并有助于更好地理解和研究女性生殖健康领域。
Nov, 2017
通过提出一种作为生成模型的多变量周期 Hawkes 过程模型,该模型可以捕捉人类活动的时间聚类、相互依赖结构和相互兴奋以及一周内时间周期效应。我们将这个模型应用于大规模信用卡交易数据集,并证明 MPHP 在交互事件时间分布和活动预测任务的统计适合度上超过非齐次泊松模型和 LDA。
May, 2020
本文开发了一种基于个性化、多变量时间点过程的新型统计模型,用于对移动健康应用中的人类行为建模,以得出未来用户行为及其时机的准确预测。
Feb, 2018
使用机器学习技术可以准确预测月经周期的开始和持续时间。
Jun, 2023
本文讨论了如何从不知道缺失数据位置的数据中学习隐马尔可夫模型,在医学和计算生物学等领域中,这些缺失数据会成为使用隐马尔可夫模型的障碍。作者为这个问题提出了一种生成缺失数据位置的通用模型,并给出了两种学习算法,即(半)解析方法和 Gibbs 采样。在各种情况下对这些算法进行了评估和比较,测量了它们在模型错误规格化下的重建精度和鲁棒性。
Mar, 2022
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
该研究开发了图耦合隐马尔可夫模型(GCHMMs)来在社交网络中地局部建模传染病的传播。与传统在整个人口层面建模感染传播的流行病学研究不同,该模型成功利用收集自 84 人的移动电话数据,以个体级别建模感染的传播。
Oct, 2012
本文提出了一种称为变分分层 EM (VHEM) 的算法,用于基于分层 EM 算法 (HEM) 对 HMM 进行聚类。该算法将给定的 HMM 集合聚类成相似的 HMM 组,并用集群中的 HMM 表示集群,以便更好地在时序数据的各种任务上使用。结果显示,VHEM 能够改善模型鲁棒性、减少学习时间和内存需求。
医疗记录的时间序列中,通过使用马尔可夫生成模型来建模不规则的时间间隔,将临床治疗的子类型和疾病进展模式从数据中恢复和准确建模。