研究文章|开放获取
克莱门特Roume萨玛Ezzina,休伯特痘痘,迪迪埃Delignieres, ”偏见在分形过程的模拟和分析”,计算和数学方法在医学我>, 卷。2019年, 文章的ID4025305, 12 页面, 2019年。 https://doi.org/10.1155/2019/4025305
偏见在分形过程的模拟和分析
文摘
分形过程最近收到了越来越感兴趣,尤其是在康复领域。更确切地说,与衰老和疾病呈不规则碎片形的演变,表明复杂性,激发了大量的研究,试过了,例如,使患者分形的节奏。这类研究需要生成分形信号的相关方法和评估的呈不规则碎片形系列由参与者。在目前的工作,我们进行交叉验证的生成和三种方法分析的三种方法。我们生成精确的分形级数Davies-Harte (DH)算法,光谱合成方法(SSM), ARFIMA仿真方法。分析了系列通过去趋势波动分析(DFA),功率谱密度(PSD)方法,和ARFIMA模型。结果表明,一些方法一代现在的系统偏差:DH fBm系列提供了一个很强势的白噪声接近1 /<我>f我>边界和导弹系列与预期指数更大的变化,与其他方法相比。相比之下,ARFIMA模拟提供相当准确的系列,没有偏见。论的方法分析,DFA系统倾向于低估fBm系列。相比之下,PSD产生高估了fBm系列。DFA,估计倾向于增加fGn系列的可变性,因为他们走到1 /<我>f我>边界和fBm系列达到不可接受的水平。变异性是由PSD的最高水平。最后,ARFIMA方法生成的最好的系列和提供最准确,减少变量的估计。
1。介绍
生理或行为的重复测量事件(步耗时、心跳间隔和intertap间隔)通常表现为显著的变化。很长一段时间,这种可变性刚刚被认为是一种随机扰动,没有任何功能意义。然而,许多作者,在过去的二十年里,表明这些生物系列提供了一个典型的远程相关结构随着时间的推移,特别是统计自相似(分形)模式(<一个href="#B1">1一个>- - - - - -<一个href="#B4">4一个>]。分形过程最近收到了越来越感兴趣,尤其是在康复领域。更准确地说,呈不规则碎片形与衰老和疾病的演变,表明复杂性的损失(<一个href="#B5">5一个>),激发了大量的研究,试过了,例如,使患者分形规律(<一个href="#B6">6一个>- - - - - -<一个href="#B8">8一个>]。
作者在这一领域,面临着两个主要的方法论问题:第一个问题的评价的长程相关性水平生理系列。提出了许多不同的方法,和各自特点进行了有系统的比较研究[<一个href="#B9">9一个>- - - - - -<一个href="#B12">12一个>]。第二个是指准确的分形信号的生成必要的实验设备(节拍器和虚拟环境)控制远程相关性属性。等模拟的方法提出了系列(<一个href="#B13">13一个>- - - - - -<一个href="#B15">15一个>]。评估方法的评估,一方面,和模拟方法,另一方面,提出了一个典型的循环问题,表演,和偏见在前被分析的基础上,后者,反之亦然(<一个href="#B11">11一个>]。发现偏差时,它仍然难以属性问题的方法模拟或评估的方法。为了克服这个问题,我们在本文中提出一个交叉验证研究,结合三种方法生成和三种方法的分析。
我们首先提出一个正式的介绍的定义远程相关过程的三个主要领域:分数布朗运动框架(<一个href="#B16">16一个>),光谱域(<一个href="#B17">17一个>),自回归略微集成移动平均(ARFIMA)过程<一个href="#B18">18一个>]。
2。理论模型
2.1。fBm / fGn模型
的<我>分数布朗运动我>(fBm)表示<我>B我>H我>(<我>t我>)是一个连续随机过程的数学模型引入了曼德布洛特和范·尼斯<一个href="#B16">16一个>)作为一个泛化的布朗运动,增加不需要独立。<我>B我>H我>(<我>t我>)的特点是赫斯特参数(<我>H我>),它可以采取任何实际价值区间内)0,1 [。这个值给信息的性质和强度连续增量之间的关系。如果<我>H我>低于0.5,<我>B我>H我>(<我>t我>)是underdiffusive,其增量anticorrelated。相反,如果<我>H我>高于0.5,<我>B我>H我>(<我>t我>)是overdiffusive,它的增加呈正相关。如果<我>H我>= 0.5,<我>B我>0.5(<我>t我>)是一个普通的布朗运动(正常扩散),及其增量是一个不相关的高斯白噪声。
fBm有一些基本属性。第一个是它的方差随着时间间隔的长度的幂函数,指数2<我>H我>: 第二个是fBm分形过程,具有统计自相似性: 根据定义,<我>B我>H我>(<我>t我>)是完全由其自协方差函数描述 :
正如前面指出的,连续的增量<我>B我>H我>(<我>t我>)和赫斯特指数相关通知关于这种关系的本质,因此,的导数<我>B我>H我>(<我>t我>)应该是一个静止的相关噪声。然而,这个导数无法计算,因为在布朗运动理论描述了一个无限破碎的连续轨迹。换句话说,nondifferentiability是一个基本的属性<我>B我>H我>(<我>t我>)。人们仍然可以使用离散的版本估计这个导数<我>B我>H我>(<我>t我>),增量定义时间间隔<我>米我>。这估计是一个离散的过程被称为<我>分数高斯噪声我>(fGn)表示<我>G我>米我>(<我>我我>):
至于fBm, fGn完全被其自协方差函数,很容易由方程(<一个href="#EEq3">3一个>),<我>米我>= 1:
2.2。谱模型
随机分形过程也可以被定义在频域,在此基础上的标度律有关(即力量。频率振幅平方),根据逆幂函数,指数<我>β我>(<一个href="#B9">9一个>,<一个href="#B10">10一个>]。与指数一个fGn的过程<我>H我>,功率谱可以表示如下<一个href="#B12">12一个>,<一个href="#B19">19一个>]: 和相应的fBm过程<一个href="#B12">12一个>,<一个href="#B20">20.一个>]:
然后fGn / fBm过程的功率谱的一般形式: 与<我>β我>∈]−1,1 (fGn和<我>β我>∈]1,3 (fBm。这表明fGn fBm可以视为连续介质,双方家庭是在时域特征标度指数<我>α我>,<我>α我>=<我>H我>fGn和<我>α我>=<我>H我>fBm + 1。这个假设已经被彭et al。<一个href="#B4">4一个>在去趋势波动分析的概念(见部分<一个href="#sec3">3一个>)。的标度指数<我>α我>线性相关光谱指数吗<我>β我>在整个fGn / fBm连续 (<一个href="#B21">21一个>]。这个案子<我>β我>= 1定义了所谓的“1 /<我>f我>噪音,”代表fGn和fBm过程之间的边界。
2.3。ARFIMA模型
第三种方法远程相关流程提供的自回归略微集成移动平均(ARFIMA)模型(<一个href="#B18">18一个>]。这种方法是一个扩展的ARIMA(集成,自回归移动平均)框架,引入了盒等。<一个href="#B22">22一个>),旨在代表不同的时间序列的短期关系。ARIMA模型可能由三部分组成的。自回归组件表明当前的观测<我>y我>(<我>t我>)的加权和以前的观测,再加上一个随机扰动<我>ε我>:
移动平均线组件认为,当前观测取决于随机扰动影响的价值<我>问我>前观察,再加上自己的具体的微扰:
最后,差分参数<我>d我>表明差分的数量应该应用于建模前的系列。ARIMA模型的结合这三个组件,可以各自指定的订单的三个过程(<我>p我>,<我>d我>,<我>问我>)。ARIMA模型被用于生成时间序列指定<我>p我>,<我>d我>,<我>问我>参数或确定最好的<我>p我>,<我>d我>,<我>问我>结合会计对于一个给定的系列(<一个href="#B22">22一个>,<一个href="#B23">23一个>]。
ARIMA模型可以更方便地使用所谓的表达<我>二次变换算符我>,定义为
通用ARIMA (<我>p我>,<我>d我>,<我>问我>)模型可以写成 在哪里<我>ϕ我>(<我>B我>),<我>θ我>(<我>B我>分别是自回归和移动平均线运营商,在二次变换算符表示为多项式:和(<一个href="#B24">24一个>]。在模型的初始配方,<我>d我>参数是一个整数<一个href="#B22">22一个>]。格兰杰和Joyeux<一个href="#B18">18一个>)表明,它有可能为这个模型提供远程依赖属性允许差分参数<我>d我>承担部分值,从而获得一个ARFIMA模型。
在这里,我们专注于最简单的ARFIMA模型(0,<我>d我>,0),这应该只包含远程相关性。这个模型使用二次变换操作符符号,表示如下(<一个href="#B25">25一个>]: 与
格兰杰和Joyeux<一个href="#B18">18一个>)获得一个过滤器<我>一个我>(<我>B我>从方程()<一个href="#EEq13">13一个>)和(<一个href="#EEq14">14一个>)和证明过程可以写成 在哪里<我>d我>是衡量远程相关性强度的系列。但是请注意,ARFIMA模型账户仅为平稳序列,<我>d我>在有界区间内)−0.5;0.5 [。换句话说,ARFIMA模型仍限于fGn系列。<我>d我>相关光谱指数吗<我>β我>和标度指数<我>α我>通过以下线性方程:
每一种理论框架提供了具体方法生成的分形信号或评估经验系列的呈不规则碎片形。在目前的工作,我们进行交叉验证的生成和三种方法分析的三种方法。我们选择一个模拟方法和一个先前估计方法在每个域的定义。我们的理性是偏见所显示的三种分析方法应归因于任何出现的生成方法和相反的偏见代方法应该起源于分析方法。
3所示。方法
为了探索整个fGn / fBm连续体,我们首先生成系列<我>α我>= 0.1,0.9,0.1的步骤,从1.01到1.9,0.1的步骤。这些值被用于大多数之前的类似研究[<一个href="#B9">9一个>,<一个href="#B10">10一个>,<一个href="#B26">26一个>]。此外,为了分析更密切的行为模拟和分析方法在1 /<我>f我>我们生成一系列的边界<我>α我>= 0.91,1.09,0.01的步骤。这一系列指数很少被认为是文学(明显异常,请参阅[<一个href="#B27">27一个>])。然而,这种关注1 /<我>f我>边界似乎特别感兴趣,因为fGn的问题/ fBm分类集中在这个区间[<一个href="#B10">10一个>),还因为可以有一些怀疑周围的连续性假设1 /<我>f我>边界(<一个href="#B28">28一个>]。
我们使用生成的三种方法:Davies-Harte算法,光谱合成方法,ARFIMA模拟方法。这些方法在下面会详细进行介绍。为每一个选择<我>α我>值和每个方法,我们生成的120系列的1024数据点。在本节中,所有方法都写在离散时间和频域;为阅读方便,我们把变量<我>t我>离散时间域和<我>f我>对于离散的频域。
3.1。Davies-Harte算法(DH)
我们使用了戴维斯和哈特提出的算法<一个href="#B13">13一个>),生成一系列fGn的长度<我>N我>(<我>N我>2)的力量。正如前面指出的,一个fGn的过程是完全被其自协方差函数(见方程(<一个href="#EEq5">5一个>))。然后,可以推断出准确的光谱功率<我>年代我>预期的自协方差函数,离散傅里叶变换后的序列的协方差值<我>γ我>G我>1由方程(<一个href="#EEq5">5一个>):<我>γ我>G我>1(0)<我>γ我>G我>1(1)、…<我>γ我>G我>1((<我>N我>/ 2)−1);<我>γ我>G我>1(<我>N我>/ 2),<我>γ我>G我>1((<我>N我>/ 2)−1)、…<我>γ我>G我>1(1): 在哪里<我>f我>= 0,1,…,<我>N我>−1。检查是很重要的对所有<我>f我>。消极会表明,序列是无效的。
让 ,在哪里<我>f我>= 0…<我>N我>−1,是一个高斯白噪声。随机谱振幅,<我>V我>(<我>f我>),按照下列公式计算:
最后,第一个<我>N我>离散傅里叶变换的元素<我>V我>用于计算模拟系列<我>x我>(<我>t我>): 在哪里<我>t我>= 1,2,…<我>N我>。
我们首先生成fGn系列<我>H我>值从0.1到0.9,0.1的步骤。为了探索更准确的DFA的性能接近1 /<我>f我>边界,我们也生成fGn系列<我>H我>值从0.91到0.99,0.01的步骤。第二组fGn系列生成,<我>H我>值从0.1到0.9,0.1的步骤,综合获取fBm每个相应的系列<我>H我>值(即。,因为<我>α我>值从1.1到1.9)。最后,我们生成的fGn系列<我>H我>从0.01到0.09,综合他们获取fBm系列接近1 /<我>f我>边界(即。,因为<我>α我>值从1.01到1.09)。
3.2。谱合成方法(SSM)
谱合成方法设计生产fBm和fGn系列<我>x我>(<我>t我>基于功率谱密度的特点<我>年代我>(<我>f我>这些信号。换句话说,导弹的想法是生成一种权利<我>年代我>(<我>f我>),产生了fBm或fGn指数0<我><我>H我><我>1。
自<我>年代我>(<我>f我>)获得的平方模数信号的傅里叶变换及其成正比(见方程(<一个href="#EEq8">8一个>)),
我们需要生成一系列复杂<我>X我>(<我>f我>与模量)<我>r我>(<我>f我>1 /)成正比<我>f我>β我>/ 2。<我>r我>(<我>f我>)方法如下: 在哪里<我>W我>gn是一个高斯白噪声和<我>f我>频率范围从1到吗<我>N我>/ 2。
生成<我>X我>(<我>f我>),我们也需要生成一个随机相位弧度: 在哪里<我>W我>联合国是一个均匀分布的白噪声。
我们可以创建复杂系数:
这些系数是扩展到整个范围的预期值(对香农定理),<我>一个我>(<我>f我>) 来<我>N我>等于<我>一个我>(<我>f我>)(<我>N我>/ 1和2)<我>b我>(<我>f我>) 来<我>N我>等于<我>b我>(<我>f我>)(<我>N我>/ 2)1。然后,复杂的系列<我>X我>(<我>f我>)生成如下:
最后,这个复数的傅里叶反变换计算获得时间序列: 在哪里<我>t我>= 1,2,…<我>N我>。
3.3。ARFIMA模拟方法
我们使用了Matlab代码提出Fatichi [<一个href="#B14">14一个>根据方程(),<一个href="#EEq12">12一个>),在目前的情况下,我们有限的ARFIMA (0,<我>d我>,0)模型,对方程(<一个href="#EEq13">13一个>)。这段代码仅仅边界方程的总和(<一个href="#EEq15">15一个>)<我>k我>= 100。我们使用这个过程来生成fGn系列(<我>d我>∈]−0.5,0.5 ()。为了获得所需的一整套系列,我们通过累积求和计算fBm系列。
我们现在我们使用的三种评估方法。注意,为了更好的可读性,模拟系列的指数和表达的估计或转换<我>α我>指标。估计标有一个长音符号( , , )。
3.4。去趋势波动分析
DFA算法如下所示,对于一个系列<我>x我>(<我>t我>)的长度<我>N我>在哪里<我>t我>= 1,2,…<我>N我>。系列是第一个集成,通过计算<我>t我>积累的离开意味着整个系列:
然后分为本系列集成<我>k我>不重叠的时间间隔的长度<我>n我>。最后一个<我>N我>−我>kn我>数据点被排除在分析之外。在每个时间间隔内,最小二乘直线安装数据。该系列<我>X我>(<我>t我>减去)然后在本地去趋势的理论价值<我>X我>th(<我>t我>)的回归。对于一个给定的区间长度<我>n我>特点,本系列集成和去趋势波动的大小计算由以下方程:
在原始算法中,计算所有可能的时间间隔内重复长度,例如,从<我>n我>= 10<我>n我>=<我>N我>/ 2 (<一个href="#B9">9一个>]。在本文中,我们应用了<我>等间距的平均我>版本的DFA (<一个href="#B29">29日一个>),大大降低了估计的可变性。这个过程包括(日志)横坐标划分<我>P我>箱子的长度 ,从 。的<我>P我>垃圾箱定义如下: 在哪里<我>p我>= 1,2,…<我>P我>。在目前的分析,我们组<我>n我>最小值= 10,<我>n我>马克斯= 512,<我>P我>= 18。
在每一个本 ,平均时间间隔长度和平均波动的大小计算。预计一个幂律
指数估计( )得到的双对数图的斜率的函数 。
3.5。功率谱密度(PSD)进行分析
这个方法工作的基础上获得的周期图的快速傅里叶变换算法和利用的幂律方程(<一个href="#EEq8">8一个>)。预计通过计算负斜率(−吗<我>β我>日志(相关的)的行<我>年代我>(<我>f我>)记录<我>f我>。
在本文中,我们使用提出的改进版本馥香(<一个href="#B30">30.一个>)通过补充和修改等。<一个href="#B10">10一个>),被指定为低PSD我们。这种方法使用的组合预处理操作:首先,系列中减去从每个值的均值,然后一个抛物线窗口是applied-each系列的价值乘以下列功能: 在哪里<我>t我>= 1,2,…<我>N我>。
其次,消除长期趋势的桥梁是由减去从数据线路连接的第一个和最后一个点系列: 在哪里<我>t我>= 1,2,…<我>N我>。
傅里叶变换应用于修改后的系列 ,的拟合<我>β我>排除了高频功率估计(<我>f我>>最大频率的1/8)。这个方法被证明补充et al。<一个href="#B10">10一个>)提供更可靠的估计谱指数。允许直接对比方法,<我>β我>然后转换成<我>α我>指标通过一个简单的线性变换 。
3.6。ARFIMA模型
的<我>d我>参数估计通过拟合ARFIMA (0,<我>d我>,0)模型系列使用惠特尔近似极大似然估计量。我们使用了ARFIMA (<我>p我>,<我>d我>,<我>问我>)估计方案提出的Matlab Inzelt [<一个href="#B31">31日一个>在Matlab中央文件交换平台。
正如前面解释的,只有fGn系列和ARFIMA模型持有<我>d我>有界区间内)−0.5,0.5 (。fBm系列、Diebolt和Guiraud [<一个href="#B32">32一个>]提出ARFIMA模型应用于相应的fGn(分化得到的),然后估计的理论部分参数通过添加1 fBm系列<我>d我>从fGn获得价值。然而,这种策略需要一个先验评估fGn / fBm分类系列。一些解决方案,基于方法的初步应用工作漠不关心地fGn fBm,如DFA或PSD已经提出,但产生了重要的百分比在1 /误分类<我>f我>边界(<一个href="#B9">9一个>,<一个href="#B10">10一个>]。
为了应用ARFIMA模型地fGn和fBm系列,DFA和PSD,我们使用以下策略:该算法包含在寻找最好的惠特尔近似极大似然估计量的约束优化。根据ARFIMA属性,输出参数是有界的,产生参数值如果该算法不收敛上界。当 ,从最初的系列,等于0.4999,该系列被认为是fBm分化和算法应用于时间序列来获得估计。在这个不稳定的情况下,其他的 。这个参数估计然后转换成<我>α我>指标通过一个简单的线性变换 。
4所示。结果
我们现在在图<一个href="//www.newsama.com/journals/cmmm/2019/4025305/fig1/" target="_blank">1一个>真正的之间的关系<我>α我>和的意思值,为每个模拟和估算方法。如果我们考虑全球标识线形状的结果,很明显,估计方法生成的系列时表现的更好方法属于同一个域(见沿着下行对角线三个图表等)。这是已经观察到勉强et al。<一个href="#B11">11一个>]。
第一行描述了三种估计方法的结果与系列DH生成的算法。常见的偏差出现在三个图形,强烈的低估<我>α我>在fBm系列中,接近1 /<我>f我>边界。这揭示了一个明确的破坏原始fGn / fBm模型。这种现象时没有被观察到系列与其他两个方法生成。
DFA倾向于低估<我>α我>fBm系列,尤其是系列被地对地导弹或ARFIMA建模与生成。相反,PSD倾向于高估<我>α我>fBm系列,尤其是系列被ARFIMA DH算法或生成的建模。
图<一个href="//www.newsama.com/journals/cmmm/2019/4025305/fig2/" target="_blank">2一个>代表一个焦点在1 /以前的结果<我>f我>边界(即。,从<我>α我>= 0.9<我>α我>= 1.1)。第一行证实了明显的中断,在1 /<我>f我>边界,对DH系列生成算法。此外,它揭示了一个轻微高估fGn系列,附近的1 /<我>f我>噪音,对PSD和ARFIMA模型。相比之下,所产生的系列导弹和ARFIMA模拟1 /呈现一个清晰的连续性<我>f我>边界,任何估算的方法。DFA倾向于高估<我>α我>系列光谱产生的合成,但不是与ARFIMA系列模拟。PSD倾向于高估<我>α我>在这个特定的范围。最后,ARFIMA模型稍微高估了<我>α我>fBm系列由SSM。
最后,我们呈现在图<一个href="//www.newsama.com/journals/cmmm/2019/4025305/fig3/" target="_blank">3一个>的可变性(标准差)样本,为每个模拟和估算方法。这些图表给出了具有相同规模的垂直斧,为了方便对比方法。在全球范围内,似乎少了DH算法生成的变量串联或ARFIMA模拟,比那些来自导弹、产生了最糟糕的结果。关于评估方法,DFA结果显示明显增加变异性是真实的<我>α我>增加。这种效应与PSD和ARFIMA模型不存在,在变化保持稳定对整个事实<我>α我>的范围内。PSD的结果揭示了高水平的变化,特别是当系列是由导弹。相反,ARFIMA模型的特点是低变异性。
5。讨论
5.1。Davies-Harte算法
最重要的观察与DH算法生成的系列的强烈偏见fBm系列接近1 /<我>f我>边界。这个结果,一致获得三种分析方法,显然应该归因于偏见的一代技术。Stadnitski(这个结果已经证明了这一点<一个href="#B27">27一个>),他认为“观察到的差异可能是由于无能Davies-Harte技术提供fBm系列<我>H我>接近0。这些结果强调的重要性,一个适当的数据生成模拟研究和修订的结果研究表明采用Davies-Harte技术”(页144还是145)。
Delignieres [<一个href="#B28">28一个>]表明,这种偏见并不是Davies-Harte相关算法,但更重要的是fGn / fBm模型本身。基于模型的前提,尤其是fGn的自相关(方程(<一个href="#EEq5">5一个>)),作者推导的解析表达式fBm的自相关: 在哪里<我>N我>是系列的长度。我们报告在图<一个href="//www.newsama.com/journals/cmmm/2019/4025305/fig4/" target="_blank">4一个>理论lag-1自我,计算fGn系列等<我>H我>根据方程(= 0到1<一个href="#EEq5">5一个>)和fBm系列等<我>H我>根据方程(= 0到1<一个href="#EEq33">33一个>),考虑<我>N我>= 1024。这些结果证据严重故障的相关性属性的系列fGn / fBm边界,fBm的极限行为,<我>H我>接近0,是不相关的白噪声。
这表明fBm系列,获得相应的累积求和fGn系列,事实上应该fGn非常低<我>H我>值。根据方程(<一个href="#EEq33">33一个>),我们计算的预期值,<我>H我>从0.01到0.1,而这些预期值意味着lag-1自我观察与Davies-Harte系列的模拟算法。结果见图<一个href="//www.newsama.com/journals/cmmm/2019/4025305/fig5/" target="_blank">5一个>和显示模拟的相关结构系列匹配密切的预期fGn / fBm模型。
5.2。谱合成方法
与DH算法相比,导弹在1 /提供连续性<我>f我>边界。这种连续性预计,导弹在整个范围的地工作<我>β我>指数。这个结果可能是奇怪的,因为fGn / fBm和光谱模型通常被认为是等价的,代表类似的属性在时间和频率域,分别。
另一个重要的结果是相关的可变性估计,它系统地串联由SSM高于观察与其他的生成方法。这种方法,这是一个重要的问题似乎无法提供系列充分接近预期指数。
5.3。ARFIMA模拟
ARFIMA模拟1 /还提供了一个不错的连续性<我>f我>边界。这个结果很有趣,fBm系列是在这种情况下得到的累积求和fGn的记者,至于DH算法。此外,获得套系列提出了最低的变异性指数估计,无论使用方法。这些结果表明,我们可以得到一个好的信心ARFIMA生成的系列,与其他两个方法。
5.4。去趋势波动分析
DFA与fGn系列很好,但工作提出了一个系统的负偏压和fBm系列的高水平的变化。对于理解这些可怜的结果与fBm系列,与其他方法相比,重要的是要记住,DFA确实有效集成系列,在这种情况下fBm集成。这个家庭overdiffusive过程并不清楚,和扩散财产利用DFA似乎适度适当等系列(<一个href="#B9">9一个>]。
DFA是一个非常受欢迎的方法,提出了优势地适用于fGn和fBm。其他一些方法给了令人满意的结果,但只有fGn相关(例如,dispersional分析或新范围分析(<一个href="#B33">33一个>fBm])或(例如,缩放窗口的方差分析(<一个href="#B34">34一个>])。然而,研究人员往往无法知道他们的信号指的是任何一个家庭,尤其是如果这些信号是接近1 /<我>f我>边界。DFA可以克服这个问题。DFA的糟糕表现fBm信号可以被忽视的,考虑到大多数生理系列落入fGn的家庭。然而,在某些情况下,例如,姿势摇摆或目光波动,系列显然是不稳定的,应该视为fBm。在这种情况下,可以考虑运用DFA差系列或省略的整合步骤算法(见,例如,<一个href="#B35">35一个>,<一个href="#B36">36一个>])。
值得注意的是,目前的结果与DFA的等间距的版本,这是证明显著改善的准确性和减少可变性原来的方法(<一个href="#B29">29日一个>]。与原算法的结果会更糟。
5.5。功率谱密度
尽管提出的改进的应用补充et al。<一个href="#B10">10一个>),PSD提供最坏的估计结果。的准确性,PSD倾向于高估<我>α我>fBm系列,结果尤其欺骗性的可变性。PSD仍然是一个非常受欢迎的方法,特别是因为它提供了吸引人的图形结果。外的双对数功率谱表示,估计1 /<我>f我>斜率,可以给重要迹象的存在和短期波动的本质系列(见,例如,<一个href="#B37">37一个>,<一个href="#B38">38一个>])。然而,对于指数评估的特定目的,PSD似乎明显优于其他方法。
5.6。ARFIMA模型
ARFIMA模型忽视了大多数以前的研究比较分形方法(<一个href="#B9">9一个>- - - - - -<一个href="#B11">11一个>]。Rangarajan周二和丁<一个href="#B39">39一个>)开发了一个分形分析的综合方法将新范围和光谱分析,但他们从未考虑过ARFIMA作为一个可能的替代或补充。然而,这种方法提供了最准确的和不变量估计。介绍,表明ARFIMA模型最初是专为占固定系列。Diebolt提出和Guiraud [<一个href="#B32">32一个>),我们有区别的非平稳系列ARFIMA模型的应用之前,这方法给了令人满意的结果。我们应用一个非常简单的程序区别平稳和非平稳的系列,考虑到系列屈服<我>d我>估计等于上限与算法(0.49999)应该考虑获得的非平稳。这个简单的程序提供了良好的结果,就是明证的连续性观察到1 /<我>f我>边界。在这个工作的初始步骤,我们测试了ARFIMA包(<一个href="#B40">40一个>,<一个href="#B41">41一个>牛)的矩阵计算语言<一个href="#B42">42一个>]。然而,这种算法1 /给了更糟糕的结果<我>f我>边界。刘等人。<一个href="#B43">43一个>)最近提议的第一评价多样化ARFIMA程序,可用在各种平台上(Matlab,<我>R我>、SAS和OxMetrics),提供解决方案模拟、参数估计和预测。进一步的调查应提供有效的指导方针所需的选择最相关的解决方案。
在本文中,我们限制自己的估计ARFIMA (0,<我>d我>,0)模型。ARFIMA模型也可以占各种自回归和/或移动平均过程可能污染实证系列。这种方法允许隔离在系列远程相关性,然后提供一个更好的估计分形指数。最后,程序使用ARFIMA模型提出了衡量真正的有效存在长期相关性实证系列(<一个href="#B26">26一个>,<一个href="#B38">38一个>,<一个href="#B44">44一个>]。事实上,短期过程可能有时模仿1 /<我>f我>例如波动,产生的错误检测远程相关性等经典方法DFA (<一个href="#B38">38一个>]。托瑞等人提出的方法。<一个href="#B26">26一个>)允许测试的相对可能性各种ARMA和ARFIMA模型,最后得出结论的有效存在长期相关性。
为了说明实验有效性的这些结果,我们三个评估方法应用于一组系列的步伐持续时间,15分钟步行期间收集的发作与两组参与者:第一个是由22个年轻的参与者(28.07岁±8.88)和第二个23的老年人(72.36岁±4.88)。最近的实验中所收集的这些数据都表现在我们的实验室<一个href="#B45">45一个>,<一个href="#B46">46一个>),每个系列有一个长度为512数据点。正如前面指出,豪斯多夫等。<一个href="#B47">47一个>]表明,老化的特征是一个典型的损失行走动力学的复杂性,和一个有望显著差异的证据<我>α我>估计在两组之间。我们在表<一个href="//www.newsama.com/journals/cmmm/2019/4025305/tab1/" target="_blank">1一个>与三种方法获得的结果,在转换<我>α我>比较的指标。按照我们之前的结果,PSD产生了更大的变化估计比DFA或ARFIMA。我们与单向方差分析比较了两个样品,没有证据表明两组之间的任何差异的基础上PSD的估计。相比之下,DFA的显著差异被发现,ARFIMA估计,ARFIMA更强大的效果。
|
|||||||||||||||||||||||||||||||||||||||||||
ARFIMA模型的优越性,超出了我们的见解的准确性和多样性指数估计的精确合成信号,这最终结果显示ARFIMA模型提供了一个更好的统计力量比DFA或PSD的实验数据分析<一个href="#B48">48一个>]。进一步的调查仍有必要,然而,评估这些方法各自的性能,尤其是在更短的时间序列,它代表了一个重要的挑战人类行为实验(<一个href="#B9">9一个>- - - - - -<一个href="#B12">12一个>,<一个href="#B21">21一个>,<一个href="#B29">29日一个>,<一个href="#B49">49一个>]。
6。结论
本研究为ARFIMA方法的使用提供了一个强有力的支持,为模拟以及参数估计的目的。正如前面指出的,ARFIMA方法没有考虑最近实证比较研究,很少利用的作品,至少在生理和行为领域。的准确性和低变异性指数估计ARFIMA模型应该说服他们的优势,这种方法,特别是对于检测意味着组之间的差异。这种方法应该吸引研究人员的注意,为他们的未来实验或回顾以前的结果。
数据可用性
时间序列用于支持本研究的发现可以从相应的作者。
信息披露
这项工作已经部分作为海报在463年第13届会议的博士学校“人体运动科学”蒙彼利埃,6月2日,2017年,在第17届国际大会在体育活动和运动协会的研究(acap),第戎,2017年10月29日到31日。
的利益冲突
作者声明,这项研究是在没有进行任何商业或财务关系可能被视为潜在的利益冲突。
确认
这项工作是支持的大学Montpellier-France(批准号busr - 2014)。作者感谢博士Zainy M.H. Almurad提供表5中使用的数据。
引用
- d . Gilden t·桑顿,m -马龙,“1 /<我>f我>噪声在人类认知。”<我>科学我>,卷267,不。5205年,第1839 - 1837页,1995年。视图:<一个href="https://doi.org/10.1126/science.7892611">出版商的网站一个>|谷歌学术搜索一个>
- j·m·豪斯多夫·c·k·彭,z拉登,j . y . Wei和a . l . Goldberger行走是一个随机漫步吗?远程相关性的证据在人类步态的步幅间隔,”<我>应用生理学杂志我>,卷78,不。1,第358 - 349页,1995。视图:<一个href="https://doi.org/10.1152/jappl.1995.78.1.349">出版商的网站一个>|谷歌学术搜索一个>
- l·莱莫恩k .老爹和d . Delignieres测试1 /的存在<我>f我>继续挖掘数据中的噪音,”<我>加拿大《实验心理学/ Revue法裔加拿大女子de心理学Experimentale我>,60卷,不。4、247 - 257年,2006页。视图:<一个href="https://doi.org/10.1037/cjep2006023">出版商的网站一个>|谷歌学术搜索一个>
- C.-K。彭,j . Mietus j·m·豪斯多夫s Havlin h·e·斯坦利和a . l . Goldberger”远程anticorrelations和非高斯心跳的行为。”<我>物理评论快报我>,卷70,不。9日,第1346 - 1343页,1993年。视图:<一个href="https://doi.org/10.1103/physrevlett.70.1343">出版商的网站一个>|谷歌学术搜索一个>
- j·m·豪斯多夫”步态动力学在帕金森病:常见的步幅和不同的行为,步态变化,和碎片形缩放,”<我>混乱:一个跨学科的非线性科学》杂志上我>,19卷,不。2、文章ID 026113, 2009。视图:<一个href="https://doi.org/10.1063/1.3147408">出版商的网站一个>|谷歌学术搜索一个>
- n .亨特·d·麦格拉思,n . Stergiou”auditory-motor耦合在分形动力学的影响人类的步态,”<我>科学报告我>,4卷,不。1,p。5879年,2014。视图:<一个href="https://doi.org/10.1038/srep05879">出版商的网站一个>|谷歌学术搜索一个>
- j . p . Kaipust d·麦格拉思·m·穆克吉和n . Stergiou”步态变化时改变老年人听听觉刺激不同时态的结构,“<我>《生物医学工程我>第41卷。。8,1595 - 1603年,2013页。视图:<一个href="https://doi.org/10.1007/s10439-012-0654-9">出版商的网站一个>|谷歌学术搜索一个>
- c . k .土卫五a·w·基弗s e D 'Andrea w·h·沃伦·r·k·亚伦,”夹带一个真正的时间分形视觉刺激调节分形步态动力学,”<我>人体运动科学我>36卷,20 - 34,2014页。视图:<一个href="https://doi.org/10.1016/j.humov.2014.04.006">出版商的网站一个>|谷歌学术搜索一个>
- d . Delignieres s Ramdani l·莱莫恩k .托瑞·m·福尔特斯人,g . Ninot”“短”时间序列的分形分析:重新古典方法,”<我>数学心理学杂志我>,50卷,不。6,525 - 544年,2006页。视图:<一个href="https://doi.org/10.1016/j.jmp.2006.07.004">出版商的网站一个>|谷歌学术搜索一个>
- a .补充·赫尔曼·j·b·Bassingthwaighte et al .,“从运动生理时间序列:分形噪声的区别,”<我>弗鲁格档案:欧洲生理学杂志》上我>,卷439,不。4、403 - 415年,2000页。视图:<一个href="https://doi.org/10.1007/s004240050957">出版商的网站一个>|谷歌学术搜索一个>
- a .补充·赫尔曼·l·柯奇士便因和l·r·科扎克”在颞生理信号的分形特性的复杂性<我>生理测量我>,23卷,不。1,R1-R38, 2002页。视图:<一个href="https://doi.org/10.1088/0967-3334/23/1/201">出版商的网站一个>|谷歌学术搜索一个>
- r . Jennane r . Harba, g . Jacquet”分数布朗运动的分析方法:理论和比较结果,“<我>特征信号我>18卷,第436 - 419页,2001年。视图:<一个href="https://scholar.google.com/scholar_lookup?title=Analysis%20methods%20for%20fractional%20Brownian%20motion:%20theory%20and%20comparative%20results&author=R. Jennane&author=R. Harba&author=&author=G. Jacquet&publication_year=2001" target="_blank">谷歌学术搜索一个>
- r·b·戴维斯和d·s·哈特,“赫斯特的测试效果,”<我>生物统计学我>,卷74,不。1,第101 - 95页,1987。视图:<一个href="https://doi.org/10.1093/biomet/74.1.95">出版商的网站一个>|谷歌学术搜索一个>
- s . Fatichi“ARFIMA模拟”,2009年,<一个t一个rget="_blank" href="https://www.mathworks.com/matlabcentral/fileexchange/25611-arfima-simulations">https://www.mathworks.com/matlabcentral/fileexchange/25611-arfima-simulations一个>。视图:<一个href="https://scholar.google.com/scholar_lookup?title=ARFIMA%20simulations&author=S. Fatichi&publication_year=2009" target="_blank">谷歌学术搜索一个>
- d . Saupe“随机分形算法,”<我>分形图像的科学我>、h·o·Peitgen和d . Saupe Eds。,pp。71–136, Springer, Berlin, Germany, 1988.视图:<一个href="https://scholar.google.com/scholar_lookup?title=Algorithms%20for%20random%20fractals&author=D. Saupe&publication_year=1988" target="_blank">谷歌学术搜索一个>
- 比比曼德布洛特和j·w·范·洛克,”分数布朗运动,部分噪音和应用程序”,<我>暹罗审查我>,10卷,不。4、422 - 437年,1968页。视图:<一个href="https://doi.org/10.1137/1010093">出版商的网站一个>|谷歌学术搜索一个>
- 1 / r·f·沃斯。<我>f我>(闪烁)噪声:在简要回顾。<我>学报》第33届研讨会上频率控制我>页40-46大西洋城,新泽西,美国,1979年5月- 6月。视图:<一个href="https://doi.org/10.1109/FREQ.1979.200297">出版商的网站一个>|谷歌学术搜索一个>
- c·w·j·格兰杰和r . Joyeux介绍长记忆时间序列模型和分数差分,”<我>时间序列分析杂志》上我>,1卷,不。1、15 - 29,1980页。视图:<一个href="https://doi.org/10.1111/j.1467-9892.1980.tb00297.x">出版商的网站一个>|谷歌学术搜索一个>
- m . s . Taqqu诉Teverovsky, w .愿意“为远程依赖评估人员:一个实证研究,“<我>分形我>,3卷,不。4、785 - 798年,1995页。视图:<一个href="https://doi.org/10.1142/S0218348X95000692">出版商的网站一个>|谷歌学术搜索一个>
- p . Flandrin“分数布朗运动的光谱,”<我>IEEE信息理论我>,35卷,不。1,第199 - 197页,1989。视图:<一个href="https://doi.org/10.1109/18.42195">出版商的网站一个>|谷歌学术搜索一个>
- d . Delignieres和诉Marmelat序列相关分析理论和方法论的问题,”<我>实验医学和生物学的发展我>卷,782年,第148 - 127页,2013年。视图:<一个href="https://doi.org/10.1007/978-1-4614-5465-6_7">出版商的网站一个>|谷歌学术搜索一个>
- g . e . p .盒子,g·詹金斯g . c . Reinsel通用Ljung,<我>时间序列分析:预测与控制我>美国旧金山,霍尔登天,CA, 1976。
- m·福尔特斯人g . Ninot, d . Delignieres”对改编自回归综合移动平均过程:影响身体活动的研究,“<我>适应体育活动季度我>,22卷,不。3、221 - 236年,2005页。视图:<一个href="https://doi.org/10.1123/apaq.22.3.221">出版商的网站一个>|谷歌学术搜索一个>
- j . Beran<我>长记忆过程的统计数据我>美国佛罗里达州波卡拉顿,CRC新闻,1994年。
- j . Beran y冯、美国Ghosh和r . Kulik<我>长记忆过程我>施普林格,柏林,德国,2013年。视图:<一个href="https://doi.org/10.1007/978-3-642-35512-7">出版商的网站一个>
- d . Delignieres k .老爹,l·莱莫恩”检测远程依赖通过ARFIMA模型和分形指数估计,“<我>英国心理学杂志上的数学和统计我>,60卷,不。1,第106 - 85页,2007。视图:<一个href="https://doi.org/10.1348/000711005X89513">出版商的网站一个>|谷歌学术搜索一个>
- t . Stadnitski呈不规则碎片形研究的一些关键方面,“<我>非线性动力学、心理学、生命科学我>》16卷,第158 - 137页,2012年。视图:<一个href="https://scholar.google.com/scholar_lookup?title=Some%20critical%20aspects%20of%20fractality%20research&author=T. Stadnitski&publication_year=2012" target="_blank">谷歌学术搜索一个>
- d . Delignieres”相关的属性(离散)分数高斯噪声和分数布朗运动,”<我>数学问题在工程我>ID 485623条,卷。2015年,7页,2015。视图:<一个href="https://doi.org/10.1155/2015/485623">出版商的网站一个>|谷歌学术搜索一个>
- z . m . h . Almurad和d . Delignieres均匀间隔的去趋势波动分析,“<我>自然史答:统计力学及其应用我>卷,451年,第69 - 63页,2016年。视图:<一个href="https://doi.org/10.1016/j.physa.2015.12.155">出版商的网站一个>|谷歌学术搜索一个>
- p . f .馥香,”红噪声频谱分析精度的过程使用最大熵和周期图方法:模拟研究和应用地球物理数据,”<我>地球物理研究杂志》我>,卷90,不。A5, 4355 - 4366年,1985页。视图:<一个href="https://doi.org/10.1029/JA090iA05p04355">出版商的网站一个>|谷歌学术搜索一个>
- g . Inzelt<我>最大似然估计的固定单变量ARFIMA (p d q)的过程我>,2011,<一个t一个rget="_blank" href="https://fr.mathworks.com/matlabcentral/fileexchange/30238-arfima-p-d-q-estimator">https://fr.mathworks.com/matlabcentral/fileexchange/30238-arfima-p-d-q-estimator一个>。
- c . Diebolt诉Guiraud,“注意长记忆时间序列”<我>质量和数量我>,39卷,不。6,827 - 836年,2005页。视图:<一个href="https://doi.org/10.1007/s11135-004-0436-z">出版商的网站一个>|谷歌学术搜索一个>
- d . c . Caccia d·珀西瓦尔·m·j .大炮g .雷蒙德和j·b·Bassingthwaighte”准确的分形时间序列分析:评估dispersional范围分析和新方法,”<我>自然史答:统计力学及其应用我>,卷246,不。3 - 4、609 - 632年,1997页。视图:<一个href="https://doi.org/10.1016/S0378-4371(97)00363-4">出版商的网站一个>|谷歌学术搜索一个>
- m . j .大炮d·b·珀西瓦尔d . c . Caccia g·m·雷蒙德和j·b·Bassingthwaighte”评估缩放窗口的方差估计的赫斯特系数时间序列方法,”<我>自然史答:统计力学及其应用我>,卷241,不。3 - 4、606 - 626年,1997页。视图:<一个href="https://doi.org/10.1016/S0378-4371(97)00252-5">出版商的网站一个>|谷歌学术搜索一个>
- d . Delignieres k .老爹,p.l.。伯纳德,“从持久过渡到anti-persistent相关性姿势影响表明velocity的控制,”<我>PLoS计算生物学我>,7卷,不。2篇文章ID e1001089 2011。视图:<一个href="https://doi.org/10.1371/journal.pcbi.1001089">出版商的网站一个>|谷歌学术搜索一个>
- d . g . Stephen j . Anastas,“分形波动凝视视觉搜索速度,”<我>注意、知觉和心理物理学我>,卷73,不。3、666 - 677年,2011页。视图:<一个href="https://doi.org/10.3758/s13414-010-0069-3">出版商的网站一个>|谷歌学术搜索一个>
- d . Delignieres l·莱莫恩,k .老爹,“时间间隔生产开发和振荡运动”,<我>人体运动科学我>,23卷,不。2、87 - 103年,2004页。视图:<一个href="https://doi.org/10.1016/j.humov.2004.07.001">出版商的网站一个>|谷歌学术搜索一个>
- E.-J。Wagenmakers, s·法雷尔和r·拉特克利夫称,”1 /评估和解释<我>fα我>噪声在人类认知。”<我>心理计量学公告与评论我>,11卷,不。4、579 - 615年,2004页。视图:<一个href="https://doi.org/10.3758/BF03196615">出版商的网站一个>|谷歌学术搜索一个>
- g . Rangarajan周二和m .叮”综合方法在时间序列长程相关性的评估数据,”<我>物理评论E我>,卷61,不。5,4991 - 5001年,2000页。视图:<一个href="https://doi.org/10.1103/PhysRevE.61.4991">出版商的网站一个>|谷歌学术搜索一个>
- j . a . Doornik和m . Ooms<我>一个包裹估计、预测和模拟Arfima模型:Arfima包为1.0牛我>荷兰鹿特丹伊拉斯姆斯大学,1999。
- m . Ooms和j . a . Doornik”估计,模拟和预测分数自回归移动平均模型集成,”<我>第四届国际研讨会程序在计算经济和金融我>英国剑桥,1998年。视图:<一个href="https://scholar.google.com/scholar_lookup?title=Estimation,%20Simulation%20and%20Forecasting%20for%20Fractional%20Autoregressive%20Integrated%20Moving%20Average%20Models&author=M. Ooms &author=J. A. Doornik" target="_blank">谷歌学术搜索一个>
- j . a . Doornik<我>牛:面向对象语言矩阵我>,贾斯汀顾问出版社,伦敦,英国,2001年。
- k .刘和张x, y . Chen”评估ARFIMA(自回归部分积分移动平均)项目,“<我>公理我>》第六卷,没有。4,p。2017。视图:<一个href="https://doi.org/10.3390/axioms6020016">出版商的网站一个>|谷歌学术搜索一个>
- E.-J。Wagenmakers, s·法雷尔和r·拉特克利夫称,“人类认知和一堆沙子:讨论串行和自组织临界性的相关性,”<我>实验心理学杂志》:一般我>,卷134,不。1,第116 - 108页,2005。视图:<一个href="https://doi.org/10.1037/0096-3445.134.1.108">出版商的网站一个>|谷歌学术搜索一个>
- z . m . h . Almurad c . Roume h .痘痘和d . Delignieres”复杂性匹配:恢复运动的复杂性在老年人通过手挽着手散步,“<我>前沿生理学我>,9卷,p。1766年,2018年。视图:<一个href="https://doi.org/10.3389/fphys.2018.01766">出版商的网站一个>|谷歌学术搜索一个>
- z . m . h . Almurad c Roume, d . Delignieres“复杂性匹配并排行走,”<我>人体运动科学我>54卷,第136 - 125页,2017年。视图:<一个href="https://doi.org/10.1016/j.humov.2017.04.008">出版商的网站一个>|谷歌学术搜索一个>
- j·m·豪斯多夫·米切尔,r . Firtion et al .,“改变分形动力学的步态:减少stride-interval相关性与衰老和亨廷顿氏舞蹈症,”<我>应用生理学杂志我>,卷82,不。1,第269 - 262页,1997。视图:<一个href="https://doi.org/10.1152/jappl.1997.82.1.262">出版商的网站一个>|谷歌学术搜索一个>
- n a“库兹涅佐夫”和c·k·瑞亚,“权力考虑去趋势波动分析的应用在步态变化的研究中,“<我>《公共科学图书馆•综合》我>,12卷,不。第三条ID e0174144, 2017。视图:<一个href="https://doi.org/10.1371/journal.pone.0174144">出版商的网站一个>|谷歌学术搜索一个>
- d . Delignieres诉Marmelat,“分形波动和复杂性:当前辩论和未来的挑战,”<我>生物医学工程的关键评论我>,40卷,不。6,485 - 500年,2012页。视图:<一个href="https://doi.org/10.1615/critrevbiomedeng.2013006727">出版商的网站一个>|谷歌学术搜索一个>
版权
版权©2019克莱门特Roume et al。这是一个开放的分布式下文章<一个rel="license" href="http://creativecommons.org/licenses/by/4.0/">知识共享归属许可一个>,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。