面向纵向移动健康数据的探索性隐马尔可夫因子模型：在创伤后不良神经精神后遗症中的应用
应用统计
2023-06-06 v2 机器学习
摘要
创伤后不良神经精神后遗症（APNS）在退伍军人及数百万遭受创伤暴露的美国人当中十分常见，给创伤幸存者与社会带来沉重负担。尽管过去数十年开展了大量 APNS 研究，但由于若干独特挑战，在理解其潜在神经生物学机制方面进展有限。其中一项挑战是依赖主观自评量表评估 APNS，这极易导致测量误差与偏倚（如回忆偏倚）。为缓解该问题，本文探究利用客观的纵向移动设备数据识别同质性 APNS 状态，并研究创伤暴露后 APNS 的动态转移与潜在风险因素。为应对纵向移动设备数据带来的具体挑战，我们开发了探索性隐马尔可夫因子模型，并设计了用于参数估计的稳定化期望最大化（Stabilized Expectation-Maximization）算法。我们通过仿真研究评估了参数估计与模型选择的性能。最后，为展示方法的实际效用，我们将其应用于从 Advancing Understanding of RecOvery afteR traumA（AURORA）研究收集的移动设备数据。
引用
@article{arxiv.2202.12819,
title = {Exploratory Hidden Markov Factor Models for Longitudinal Mobile Health Data: Application to Adverse Posttraumatic Neuropsychiatric Sequelae},
author = {Lin Ge and Xinming An and Donglin Zeng and Samuel McLean and Ronald Kessler and Rui Song},
journal= {arXiv preprint arXiv:2202.12819},
year = {2023}
}