多变量医疗时序数据稳健建模的耦合隐马尔可夫模型混合
原文中文,约400字,阅读约需1分钟。发表于: 。分析医疗时间序列数据具有挑战性,而多维度且具有不规则采样、噪声和缺失值的数据、违反可交换性的异质患者组以及可解释性和不确定性量化至关重要。本文提出了一种新颖的模型类别 ——...
本文介绍了混合耦合隐马尔可夫模型(M-CHMM)用于分析医疗时间序列数据。通过粒子滤波和分解近似的采样器算法,该模型能够解决不规则采样、噪声和缺失值等数据挑战。实验证明,M-CHMM能够改善数据拟合、处理缺失和噪声测量,提高预测准确性,并能够识别数据中的可解释子集。