面向 ABPM 数据的平滑张量分解
统计方法学
2025-07-17 v1
摘要
体外血压监测 (ABPM) 使能够持续测量血压和心率超过 24 小时, 正在增多地用于临床研究. 然而, ABPM 数据常被简化为均值或中位数等概括统计量, 这掩盖了如夜间血压下降和个体生物钟类型等时间特征. 函数数据分析方法更好地捕获这些时间动态, 但通常将每个 ABPM 测量单独处理, 限制了其利用匹配测量之间相关性的能力. 本文指出, 将 ABPM 数据沿测量类型、时间和患者 ID 对齐, 可为其提供张量表示--一种多维数组. 虽然张量学习在其他领域显示出巨大的潜力, 但尚未应用于 ABPM 数据. 现有张量学习方法往往缺乏时间平滑约束, 假设数据完整, 且计算负担较重. 为解决这些局限性, 本文提出一种新型平滑张量分解方法, 纳入时间平滑惩罚项, 并容纳缺失数据. 我们还开发了自动选择最优平滑参数和张量秩的程序. 模拟研究表明, 该方法可可靠地从噪声较大且数据不完整的情形下重建平滑的时间趋势. 将用于合并阻塞性睡眠呼吸暂停和 2 型糖尿病患者的 ABPM 数据进行应用, 揭示了患者特征与 ABPM 测量之间的临床相关关联, 这些关联在基于概括方法的做法中被忽略.
引用
@article{arxiv.2507.11723,
title = {Smooth tensor decomposition with application to ambulatory blood pressure monitoring data},
author = {Leyuan Qian and R. Nisha Aurora and Naresh M. Punjabi and Irina Gaynanova},
journal= {arXiv preprint arXiv:2507.11723},
year = {2025}
}