基于动态时间规整的高频时间序列响应实验分析与统计功效优化研究

针对神经影像数据中高频时间序列的复杂依赖结构，研究人员开发了基于动态时间规整(DTW)的聚类方法，结合分区围绕中心点(PAM)算法，构建了样本量计算与功效分析新框架。该研究通过模拟数据和ADHD-200 fMRI数据集验证，证实方法能有效识别组间差异，为临床实验设计提供统计优化工具。

　　

随着非侵入式测量设备的普及，实验响应数据已能以前所未有的时间分辨率被记录为高维高频时间序列。然而，这类数据复杂的依赖结构和时空特性给统计分析带来巨大挑战，特别是在医学影像领域，时间滞后结构和相位偏移现象使得传统的样本量确定和功效分析方法难以适用。功能磁共振成像(fMRI)技术的广泛应用更凸显了这一矛盾——虽然它能无创地映射神经活动，但高昂的采集成本与样本量需求之间的平衡始终是研究设计的痛点。

菲律宾大学、蒙纳士大学马来西亚分校和沙特阿卜杜拉国王科技大学的研究团队在《Scientific Reports》发表的研究，创新性地将动态时间规整(Dynamic Time Warping, DTW)引入时间序列分析领域。该方法通过弹性对齐时间轴，克服了传统欧氏距离对时间点严格对应的要求，能有效捕捉存在相位差异的神经活动模式。研究团队进一步结合分区围绕中心点(Partition Around Medoids, PAM)聚类算法，构建了完整的分析框架，从数据预处理、距离计算到最终的样本量优化，为神经影像实验设计提供了系统解决方案。

关键技术包括：(1)采用DTW算法计算时间序列间弹性距离；(2)基于PAM的聚类分析识别组间差异；(3)利用Welch t检验统计量量化效应大小；(4)通过核回归建立样本量-功效关系模型。研究使用ADHD-200联盟提供的776例静息态fMRI数据(含458例合格样本)进行验证，所有BOLD信号经Schaefer 100分区图谱预处理。

研究结果部分，"Empirical studies"显示：DTW-PAM算法在各类模拟数据中均表现稳定，处理时间与样本量N和时间点T呈线性关系。值得注意的是，自相关系数ρ₁显著影响聚类效果——高自相关(如ρ=0.99)的AR(1)序列会产生更紧凑的簇内分布，所需样本量降低40%。"Power and sample size experiments"证实：相比随机分组和模型分组，基于DTW的聚类分组方法能更准确识别生物学差异，在α=0.05、1-β=0.8条件下，将典型fMRI研究的样本量优化至传统方法的60%。

在"Application to ADHD-200"部分，研究团队发现：82个脑区BOLD信号中33%最佳拟合AR(5)模型，21%适合AR(1)。DTW聚类成功区分了ADHD患者与健康对照，效应量δ_G计算显示，基于功能连接的分类准确率显著高于传统形态学指标。核回归建立的功效曲线表明，多数脑区在N=50时即可达到80%检验效能。

这项研究的意义在于：首次将弹性时间对齐思想系统应用于神经影像实验设计，解决了时间序列响应数据分析中的关键方法论难题。提出的框架不仅适用于fMRI，还可扩展至其他高频生理信号(如EEG、MEG)的分析。特别值得注意的是，研究揭示了自相关特性对聚类效果的调控规律——这一发现为后续研究选择敏感脑区提供了量化依据。尽管方法对白噪声和计数数据存在局限，但其在ADHD等神经精神疾病研究中的应用，为发展基于功能连接的客观诊断指标奠定了方法学基础。未来工作可进一步探索垂直聚合策略和时间点选择优化，以提升在高维数据中的计算效率。