心脏时间序列变点检测算法基准测试

生物医学时间序列中的状态变化模式可能与健康或疾病相关。这项工作提出了一种原则性方法，用于为特定任务（如疾病分类）选择变点检测算法。比较了八种关键算法，并在逼真的人工心血管时间序列数据上评估了每种算法的性能，将其作为时间容差、噪声和异常传导（异位搏动）的函数。使用在人工数据上选择的参数，将所有算法应用于真实数据（22 名 REM 行为障碍（RBD）患者和 15 名健康对照者的心脏时间序列）。最后，从检测到的变点中提取特征，使用 K 近邻方法将 RBD 患者与健康对照者进行分类。在人工数据上，改进的贝叶斯变点检测算法在状态变化识别方面提供了更优的阳性预测值，而递归均值差最大化（RMDM）实现了最高的真阳性率。对于分类任务，从 RMDM 算法导出的特征提供了最高的留一交叉验证准确率 0.89 和真阳性率 0.87。自动检测到的变点提供了关于受试者生理状态的有用信息，而这些信息是无法直接观察到的。然而，变点检测算法的选择取决于底层数据的性质和下游应用（例如分类任务）。这项工作首次以有意义的方式比较了变点检测算法并将其应用于分类任务，展示了变点算法选择对应用性能的影响。