用于纵向健康记录中快速在线变点检测的序贯卡尔曼滤波
应用统计
2024-01-02 v3 统计方法学
摘要
本文介绍序贯卡尔曼滤波，一种针对时序相关数据、计算可扩展的在线变点检测方法。由于计算代价大，贝叶斯在线变点检测方法未考虑时间相关性。受从具有大量协变量的海量纵向健康记录中检测透析患者 COVID-19 感染所驱动，我们开发了一种可扩展方法，通过序贯拼接子序列的卡尔曼滤波来计算观测的联合分布，从而从相关数据检测多个变点；该方法在每一时刻相对于上次检出的变点到当前观测的观测数呈线性计算复杂度，且不近似似然函数。与其他在线变点检测方法相比，模拟实验表明我们的方法在检测时序相关数据的均值、方差或相关性的单点或多重变化上更精确。此外，我们提出一种整合分类与变点检测的新方式，相较其他方案改善了 COVID-19 感染检测的延迟与准确率。
引用
@article{arxiv.2310.18611,
title = {Sequential Kalman filter for fast online changepoint detection in longitudinal health records},
author = {Hanmo Li and Yuedong Wang and Mengyang Gu},
journal= {arXiv preprint arXiv:2310.18611},
year = {2024}
}