आर - ब्लड प्रेशर वक्र में आउटलायर/आर्टेफैक्ट्स खोजने के लिए दृष्टिकोण

Question

क्या आपको लोगों को पता है कि ब्लड प्रेशर वक्र में कलाकृतियों/आउटलायर खोजने की समस्या से कैसे संपर्क किया जाए? मेरा लक्ष्य एक प्रोग्राम लिखना है, जो प्रत्येक आर्टेफैक्ट की शुरुआत और अंत को पाता है। यहां विभिन्न कलाकृतियों के कुछ उदाहरण हैं, हरे-भरे क्षेत्र सही रक्तचाप की अवस्था है और लाल एक शिल्पकृति, पता लगाया जा करने की जरूरत है:

और यह पूरे रक्तचाप वक्र का एक उदाहरण है:

मेरा पहला विचार गणना करना था पूरे वक्र से और वक्र के छोटे अंतराल में कई साधनों का मतलब है और फिर यह पता लगाएं कि यह कहां अलग है। लेकिन रक्तचाप इतना भिन्न होता है, कि मुझे नहीं लगता कि यह काम कर सकता है, क्योंकि इसमें बहुत से मौजूदा "कलाकृतियों" मौजूद नहीं होंगे।

आपके इनपुट के लिए धन्यवाद!

संपादित करें: यहाँ दो उदाहरण कलाकृतियों के लिए कुछ डेटा है:

Artefact1

Artefact2

Answer 1

किसी भी डेटा के बिना सिर्फ अलग अलग तरीकों की ओर इंगित करने के लिए विकल्प नहीं है।

पहले (अपने डेटा है, जो हमेशा एक बड़ी खामी है जानने के बिना), मैं तुम्हें Markov switching models की ओर इंगित होता है, जो HiddenMarkov -package, या HMM -package का उपयोग कर विश्लेषण किया जा सकता। (दुर्भाग्य से RHmm -package है कि पहली कड़ी का वर्णन नहीं रह गया है बनाए रखा है)

आप इसे worthwile ट्विटर की outlier detection गौर करने के मिल सकती है।

इसके अलावा, कई ब्लॉगपोस्ट हैं जो परिवर्तन बिंदु पहचान या शासन परिवर्तनों को देखते हैं। मुझे this R-bloggers blog पोस्ट शुरू करने के लिए बहुत उपयोगी लगता है। यह CPM -package को संदर्भित करता है, जो "पैरामैट्रिक और गैरपरैमेट्रिक तरीकों का उपयोग कर अनुक्रमिक और बैच चेंज डिटेक्शन" है, BCP -पैकेज ("चेंज प्वाइंट समस्या का बेयसियन विश्लेषण"), और ECP -पैकेज ("गैर-पैरामेट्रिक एकाधिक बहुविकल्पीय डेटा के चेंज-प्वाइंट विश्लेषण ")। आप शायद पहले दो में देखना चाहते हैं क्योंकि आपके पास बहुविकल्पीय डेटा नहीं है।

क्या इससे आपको प्रारंभ करने में मदद मिलती है?

Answer 2

मैं एक ग्राफिकल उत्तर प्रदान कर सकता हूं जो किसी भी सांख्यिकीय एल्गोरिदम का उपयोग नहीं करता है। आपके डेटा से मैं देखता हूं कि "असामान्य" अनुक्रम निरंतर भाग या विपरीत रूप से बहुत अधिक भिन्नताएं प्रस्तुत करते हैं। व्युत्पन्न पर काम करना, और इस व्युत्पन्न पर सेटिंग सीमाएं काम कर सकती हैं।

require(forecast) 
test=c(df2$BP) 
test=ma(test, order=50) 
test=test[complete.cases(test)] 
which <- ma(0+abs(diff(test))>1, order=10)>0.1 
abnormal=test; abnormal[!which]<-NA 
plot(x=1:NROW(test), y=test, type='l') 
lines(x=1:NROW(test), y=abnormal, col='red') 

यह क्या करता है: यहाँ एक समाधान नहीं है पहले "को सहज बनाता है" एक चलती औसत सूक्ष्म रूपों को रोकने के लिए के साथ डेटा से पता लगाया जा करने के लिए। फिर यह "diff" फ़ंक्शन (व्युत्पन्न) लागू करता है और परीक्षण करता है यदि यह 1 से अधिक है (यह मान सुखदायक आयाम के आधार पर मैन्युअल रूप से समायोजित किया जाना है)।फिर, छोटे अंतराल के बिना असामान्य अनुक्रम का पूरा "ब्लॉक" प्राप्त करने के लिए, हम फिर से बूलियन पर एक चिकनाई लागू करते हैं और जोन की सीमाओं को बेहतर समझने के लिए 0.1 से बेहतर परीक्षण करते हैं। आखिरकार, मैंने लाल रंग में देखे गए हिस्सों को ओवरप्लॉट किया।

यह विषमता का एक प्रकार के लिए काम करता है। दूसरे प्रकार के लिए, आप व्युत्पन्न, उलटा, और चिकनाई के ट्यूनिंग पैरामीटर के साथ खेलते हैं पर कम ट्रेसहोल्ड बना सकते हैं।