《Statistics in Medicine》:Generalized Linear Mixed Models for Changepoint Analysis of Biomedical Time Series Data
编辑推荐:
时间序列数据的变点分析(changepoint analysis)可识别数据属性发生转变的时间点。本文中,研究人员受两类不同的生物医学时间序列数据启发:数字健康监测和神经影像。神经影像研究由静息态功能磁共振成像(resting-state functional
时间序列数据的变点分析(changepoint analysis)可识别数据属性发生转变的时间点。本文中,研究人员受两类不同的生物医学时间序列数据启发:数字健康监测和神经影像。神经影像研究由静息态功能磁共振成像(resting-state functional magnetic resonance imaging, fMRI)获得的多变量时间序列组成。数字健康监测数据由个体在一天内跨多天活动中观察到的二值单变量时间序列组成。分析目标是建模体力活动在56天内如何在一天内变化。该数据分析的目标是确定动态功能连接(dynamic functional connectivity, dFC)——即不同脑区之间的相互作用以及这种相互作用如何随时间变化——与非自杀性自伤(non-suicidal self-injury, NSSI)严重程度之间的关联。本文中,研究人员利用广义线性混合模型(generalized linear mixed models, GLMMs)框架,将生物医学时间序列数据中存在的结构纳入变点分析。例如,这种结构可以是个体在跨多天时间序列数据中的重复测量,或脑网络的互联社区结构。研究人员将混合模型嵌入动态规划算法中以检测多个变点。研究人员通过模拟在若干场景中评估所提出方法的性能。最后,研究人员在两个不同的动机应用中展示所提出方法的效用。
生物医学科学的技术创新使个体时间序列数据的数量和质量增加。研究人员关注两类生物医学时间序列数据:数字健康中的家庭设备数据与静息态功能磁共振成像(resting-state functional magnetic resonance imaging, rs-fMRI)数据。前者为纵向研究中的二值时间序列,用于建模约2个月内人的日常活动并识别日常活动的细微偏离;后者为个体的多变量时间序列,用于量化脑区之间相互作用强度的变化,并探讨其作为非自杀性自伤(non-suicidal self-injury, NSSI)生物标志物的效用。两类数据均需识别时间序列属性发生变化的时间点,即变点分析(changepoint analysis)。现有变点方法多针对连续值时间序列的均值、方差或回归系数变化,以及Poisson和二项时间序列,但生物医学时间序列通常含有结构:rs-fMRI数据具有多变量和脑网络互联社区结构;家庭设备二值纵向数据同时具有时间自相关和个体内重复测量相关。忽略这些结构会影响估计和统计推断。混合模型框架可通过随机效应纳入结构,已有随机效应变点模型多用于纵向均值而非时间序列数据。因此,研究人员开发了通用框架,将广义线性混合模型(generalized linear mixed models, GLMMs)嵌入修剪精确线性时间(Pruned Exact Linear Time, PELT)算法,以适配生物医学时间序列中的结构。研究人员提出PELT-GLMER用于单变量非正态时间序列均值变点,提出PELT-LMEC-UB和PELT-LMEC-HB用于多变量时间序列协方差变点,并通过模拟和两个应用评估。结论表明,该方法灵活、计算快速,在模拟中相对现有方法具有性能增益,并能应用于数字健康监测和神经影像数据。其意义在于为具有复杂结构的生物医学时间序列提供通用变点分析工具,可用于识别日常活动节律变化,并揭示动态功能连接(dynamic functional connectivity, dFC)与NSSI严重程度之间的关联。
为开展研究,主要关键技术方法包括:采用混合模型框架处理时间序列结构;对二值单变量时间序列使用带logit链接的广义线性混合效应模型(generalized linear mixed effects model, GLMER),将均值分解为全局均值和组特异偏差;对多变量时间序列使用线性混合效应协方差模型(linear mixed effects covariance model, LMEC),包括均匀块结构(Uniform-Block, UB)和异质块结构(Heterogeneous-Block, HB),以建模脑网络社区结构;用矩估计估计协方差参数;将GLMER或LMEC嵌入PELT,以负二倍对数似然为拟合度量并加入BIC类惩罚,通过动态规划和剪枝检测多个变点;通过模拟评估性能。样本队列来源包括Howz家庭被动活动监测数据,4人、56天、每天96个二值观测;以及BRIDGES研究(Brain Imaging Development of Girls’ Emotion and Self Study)的rs-fMRI数据,涉及12–16岁出生时女性青少年,按NSSI严重程度分为No NSSI、Mild NSSI、Moderate NSSI和Severe NSSI。
研究结果如下。
3.1 PELT-GLMER:研究人员基于数字健康监测数据设计模拟,模拟来自若干组(人)的Bernoulli数据,每个时间序列代表一天或一周,并设置14次重复。全局均值概率恒定或在变点变化,组效应恒定或变化,且变化可发生于单个组或所有组。较短每日序列设置三个变点,较长每周序列设置14个变点,每个场景重复500次。比较方法包括PELT-Bin和PELT-Bern。结果显示,当全局均值变化时,PELT-Bin和PELT-GLMER均能较准确检测变点位置,但PELT-GLMER功效更好;PELT-Bern虽在真实变点附近有众数,但估计不精确。当全局均值不变且无组变化时,PELT-GLMER未检测到变化,PELT-Bin很少检测变化,而PELT-Bern假阳性较多。当组确实变化时,PELT-Bin和PELT-GLMER检测频率增加,PELT-GLMER对变点位置估计更准确。总体而言,PELT-Bern因假阳性高而错误率大,PELT-GLMER在估计变点数量方面通常更优;更长时间序列下方法相对表现相同,但变点位置估计精度更好。
3.2 PELT-LMEC:研究人员对多变量时间序列设置六个模拟场景:零变点、一个变点、多个变点、多个变点且组误设、多个变点且自相关、一个变点且协方差矩阵固定。比较PELT-LMEC-UB、PELT-LMEC-HB、Ratio方法和Wild Sparsified Binary Segmentation(BSCOV)。在零变点场景中,所有方法假阳性均低;平均绝对误差方面,PELT-LMEC-HB和PELT-LMEC-UB优于Ratio,原因在于其假设了协方差矩阵结构。即使真实协方差矩阵沿对角线异质,假设UB结构仍在平均绝对误差上表现较好,可能因组内对角元素平均降低了估计方差。在一个变点场景中,PELT-LMEC-HB对单个变点估计最好,Ratio方法也很好,BSCOV最差;样本量增加后各方法对变点数量的估计改善。在多个变点场景中,所有方法均较困难,尤其变点时间接近时;PELT-LMEC-HB表现最好,通常能检测至少两个变点,而PELT-LMEC-UB的平均绝对误差通常低于PELT-LMEC-HB,说明均匀假设有利于协方差矩阵估计,异质假设有利于变点数量和位置估计。在组误设场景中,平均绝对误差较多个变点场景更小,可能因跨维度平均降低方差并克服偏差增加,但变点位置估计精度较低。在自相关场景中,假阳性膨胀,所有方法变点位置精度下降;PELT-LMEC-HB和PELT-LMEC-UB相对BSCOV和Ratio更好,但仍受自相关负面影响,支持分析前去除自相关。在协方差矩阵固定的一个变点场景中,变化更细微,所有方法均困难,但PELT-LMEC-HB优于其他方法。
4.1 At-Home Digital Health Monitoring(家庭数字健康监测):研究人员分析4名使用Howz家庭被动活动监测的个体数据。被动传感器记录移动或与物体互动,如开冰箱或打开水壶,并以15分钟窗口内是否有活动汇总为是/否,每天96个观测,分析56天。研究人员对每天数据拟合PELT-GLMER,使用Bernoulli分布和logit链接;每个人每天的时间序列属于同一组,因此有4组。结果显示变点约在上午7:00、上午8:30、下午5:30和晚上10:15。上午7:00变点由前两名参与者驱动;上午8:30变点由参与者1、3和4驱动;下午5:30变点由参与者3活动增加和参与者4活动减少驱动;晚上10:15变点对参与者2和4似为就寝时间,对参与者1则为就寝常规开始。全局活动概率白天高于两个夜间时段,并随日间进展增加。随机效应显示,个体间最大变异出现在初始夜间时段(00:00–07:30)。将每周数据作为时间序列重复分析时,变点与每日分析非常相似;第一个变点上午7:30准确或30分钟内识别,最后变点晚上10:15准确或15分钟内识别;下午5:30变点仅在周二准确识别,周四为下午6:00。结论是,尽管不同日之间变点有变异,但早晨醒来和晚间逐渐安静时间在一周各天较一致,变异主要在日内活动概率。这对设置家人或照护者警报有重要意义:若个体早晨未触发传感器,或超过典型睡眠时间仍触发传感器,警报可能有用;日内警告可能不太有用,因为跨天常规变化更大。
4.2 Dynamic Functional Connectivity in Resting-State fMRI(静息态fMRI动态功能连接):研究人员使用BRIDGES研究数据,该研究旨在理解伴有NSSI青少年的脑发育,纳入12–16岁出生时女性且NSSI严重程度涵盖四类:No NSSI 40、Mild NSSI 13、Moderate NSSI 51、Severe NSSI 33。分析聚焦默认模式网络核心枢纽,包括前扣带皮层(anterior cingulate cortex, ACC)、内侧前额叶皮层(medial prefrontal cortex, mPFC)和后扣带皮层(posterior cingulate cortex, PCC)。使用Glasser图谱的Cluster 18和19,左右半球形成4组,每组14个parcel,共56个空间位置。研究人员对每个时间序列去均值,拟合8阶自回归模型并提取残差以预白化,随后缩放为单位方差。对每个个体拟合PELT-LMEC-UB和PELT-LMEC-HB并提取变点数。PELT-LMEC-UB在108名个体中检测到0个变点,可能因该方法易假阴性;PELT-LMEC-HB检测到0–5个变点。研究人员展示一个检测到2个变点的个体,得到三个段和三个相关矩阵,显示动态功能连接变化:第2段相关较强,第3段相关较弱;PCC子区之间强互相关,且PCC半球间相关强;ACC/mPFC子区之间相关强度变异较大,半球间块结构不如PCC强。各维度方差范围支持异质块假设。为评估dFC的临床相关性,研究人员进行事后Poisson回归,以变点数为结局、NSSI严重程度为预测因子、No NSSI为参考组。结果显示Mild、Moderate和Severe NSSI的变点数均值高于No NSSI,其中Moderate和Severe相对No NSSI的增加具有统计学显著性(p值分别为0.017和0.023)。校正框架位移(framewise displacement, FD)和年龄后,效应方向相同,但仅Severe NSSI相对No NSSI的增加具有统计学显著性(p值为0.033)。结论是,NSSI严重程度加重与默认模式网络功能连接时间动态更大有关。该结果与抑郁或自杀意念中连接时间变异增加的研究一致;与其他研究方向不同可能源于dFC建模方法、脑区或网络、样本特征差异;抑郁与NSSI在青少年中高度重叠,但二者是不同的过程。
讨论部分总结:研究人员使用混合模型框架开发了时间序列变点分析新方法。该框架灵活,可对可能来自非正态分布的单变量时间序列建模,也可对多变量时间序列协方差矩阵建模;将混合模型嵌入PELT后,方法对数据类型灵活且计算快速。模拟显示相对现有方法的性能增益,并展示挑战性场景中的表现;两个应用说明方法灵活性。局限包括:最小段长和惩罚等参数需预先设定,会影响检测能力,尤其在高维且时间序列较短时;分析仅聚焦默认模式网络,若进行全脑分析需提升可扩展性;假设无时间自相关,通过预白化满足,或可通过调整惩罚、显式建模自相关缓解,但会增加拟合复杂度;识别出的变点是基于模型的,具有统计意义却未必具有临床意义;可探索将均匀块结构下的精度矩阵估计扩展到异质块结构,并嵌入PELT-LMEC,以实现图结构变点检测,但需注意协方差矩阵参数数量和计算速度。
研究结论翻译:研究人员使用混合模型框架,为时间序列数据开发了新的变点分析方法。混合模型框架具有灵活性,使研究人员能够对可能来自非正态分布的单变量时间序列建模,或对多变量时间序列的协方差矩阵建模。研究人员将混合模型嵌入PELT以进行变点检测,从而产生了对数据类型灵活且计算快速的方法。通过广泛模拟,研究人员展示了这些方法相对于现有方法的性能增益,并展示了这些方法在挑战性场景中的表现。最后,研究人员通过两个不同的应用说明了这些方法的灵活性。