用于月经周期的自激发阈值自回归状态空间模型：基于基础体温预测月经并识别卵巢期
应用统计
2019-04-25 v3
摘要
月经周期基于卵巢中发生的事件分为卵泡期和随后的黄体期。基础体温(BBT)反映了月经周期的这种双相特征，并在卵泡期往往相对较低。在本研究中，我们提出了一种明确纳入月经周期双相性质的状态空间模型，其中月经周期推进的概率密度分布和BBT切换依赖于一个潜状态变量。我们的模型推导出下一次月经开始日期的预测分布，该分布通过顺序纳入BBT的新观测值进行自适应调整。它还使我们能够获得女性处于周期早期或晚期阶段的条件概率，可用于识别卵泡期和黄体期的持续时间，以及估计排卵日。通过将模型应用于真实的BBT和月经数据，我们表明所提出的模型能恰当捕捉月经周期的双相特征，在广泛年龄组中提供对月经开始的良好预测。对包含3,533名女性受试者提供的25,622个周期的大型数据集的应用进一步突出了月经周期群体特征的年龄间差异，表明所提模型具有广泛的适用性。
引用
@article{arxiv.1707.06452,
title = {A self-excited threshold autoregressive state-space model for menstrual cycles: forecasting menstruation and identifying ovarian phases based on basal body temperature},
author = {Ai Kawamori and Keiichi Fukaya and Masumi Kitazawa and Makio Ishiguro},
journal= {arXiv preprint arXiv:1707.06452},
year = {2019}
}
备注
25 pages, 3 figures