Mar, 2024

利用情绪处理的有限状态研究晚年心理健康

PDF
TL;DR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。
mental health researchgeneral linear modelshidden markov modelsfinite state automatadepression
发现论文，激发创造
  • 缩放隐马尔可夫语言模型

    本研究重新探讨使用最新的神经模型方法实现隐藏马尔可夫模型（HMM）规模化的挑战，提出了一种方法来快速有效地在大规模状态空间中对 HMM 进行精确推断、紧凑参数化以及有效规范化，取得的实验证明，该方法比之前的 HMM 和 n-gram 方法更准确，为实现最先进的神经模型的性能作出了贡献。

    Nov, 2020

  • 一种用于切换脑状态发现的一位通用线性模型

    提出了一种基于先验信息的状态切换广义线性模型，通过引入高斯先验和独热先验来捕捉状态恒定的相互作用，从而揭示了潜在的解剖连接和更可能的物理神经元相互作用，同时在多种脑状态下可以捕捉到功能变化。

    Oct, 2023

  • 脑动力学多重空间时间模型中社区的排名

    该研究使用隐藏马尔科夫模型（HMM）来构建多层的带有时空结构的网络模型，探索动态脑活动和区域之间的交互。结果显示出支持神经熵理论的新证据，同时也支持原有的模块化处理假设。

    Mar, 2022

  • 基于 EEG 的静息态脑网络：隐马尔可夫状态与经典微状态

    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

  • 金字塔隐马尔可夫模型用于多元时间序列预测

    提出了一种名为 Pyramidal Hidden Markov Model (PHMM) 的模型，通过采用金字塔式堆叠的方式自适应地识别长期多步随机状态，能够有效处理非平稳和嘈杂数据，建立更准确、全面的长期依赖性进行时间序列预测，实验证明该模型在多元时间序列数据上相比竞争对手有更好的性能。

    Oct, 2023

  • 使用隐马尔可夫模型的强化学习揭示决策动态

    利用强化学习隐藏马尔可夫模型的新框架，分析了重性抑郁障碍患者在基于奖励的决策制定中的参与度与大脑活动之间的关联。

    Jan, 2024

  • 用克隆的隐马尔可夫模型学习高阶时序结构

    本论文提出一个名为 cloned HMM 的稀疏结构的 Hidden Markov Models 模型，通过这一结构，模型可以高效地学习变化顺序序列及处理不确定性，实现了对 n-gram、序列记忆器和 RNN 等方法的超越。

    May, 2019

  • 树上耦合分支的隐马尔可夫模型的高效解决方案

    本文通过扩展树状数据上的隐马尔可夫模型 (HMMs) 框架，专注于解决具有相互关联分支的树状结构数据的场景，研发了一种能够高效解决似然、解码和参数学习问题的动态规划算法，具有多项式规模计算可行性且不受下溢问题的影响，为分析复杂生物数据提供了实用工具，同时推进了对树状 HMMs 的理论理解。

    Jun, 2024

  • 用变分 HEM 对隐藏马尔可夫模型进行聚类

    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。

    Oct, 2012

  • 学习隐藏量子马尔可夫模型

    本文提出了一种学习算法来从数据中估计 HQMM 的参数，该算法可以模拟经典的 HMM 并放宽了在量子电路上建模 HMM 的限制，同时在合成数据上的试验表明，我们的算法可以学习与真实 HQMM 相同数量状态和预测精度的 HQMM，而用 Baum-Welch 算法学习的 HMM 则需要更多状态才能匹配预测精度。

    Oct, 2017