[論文レビュー] Detecting Change-Points in Time Series by Maximum Mean Discrepancy of Ordinal Pattern Distributions

Mathieu Sinn, Ali Ghodsi+1 more|arXiv (Cornell University)|Oct 16, 2012

Complex Systems and Time Series Analysis参考文献 15被引用数 12

ひとこと要約

本稿では、順序パターン分布に最大平均差分（MMD）を適用することで、高分解能時系列における変化点検出のための新規手法を提案する。時系列のセグメント間でのMMDを比較することにより、非線形単調変換に対して頑健に動作する構造的変化を検出でき、シミュレーションおよび実世界の応用においてEEGおよびECGデータで一貫性と優れた性能を示す。

ABSTRACT

As a new method for detecting change-points in high-resolution time series, we apply Maximum Mean Discrepancy to the distributions of ordinal patterns in different parts of a time series. The main advantage of this approach is its computational simplicity and robustness with respect to (non-linear) monotonic transformations, which makes it particularly well-suited for the analysis of long biophysical time series where the exact calibration of measurement devices is unknown or varies with time. We establish consistency of the method and evaluate its performance in simulation studies. Furthermore, we demonstrate the application to the analysis of electroencephalography (EEG) and electrocardiography (ECG) recordings.

研究の動機と目的

• 高分解能時系列における変化点を検出する、頑健で計算が単純な手法の開発を目的とする。
• キャリブレーションが変動するか不明な生体物理的時系列における課題に対処することを目的とする。
• 単調変換に対して不変性を高めるために順序パターン分布を活用することを目的とする。
• 統計的整合性と現実の神経生理学的および医療信号解析における実用的適用可能性を保証することを目的とする。

提案手法

• 本手法は、連続するデータポイントの局所的順序順位に基づいて時系列セグメントを順序パターンに変換する。
• 異なる時系列セグメントにおける順序パターンの経験的分布間の最大平均差分（MMD）を計算する。
• MMDは分布の差異を非パラメトリックな統計的検定として用いられ、潜在的な変化点を示す。
• パターンの順序的性質のおかげで、非線形単調変換に対して不変である。
• 時系列全体にわたる変化点のスキャンのためにスライディングウインドウ手法を用いる。
• 弱い正則性条件の下で、本手法の整合性が理論的に確立されている。

実験結果

リサーチクエスチョン

• RQ1 MMDを順序パターン分布に適用することで、高分解能時系列における変化点を信頼性高く検出できるか？
• RQ2 生体測定で一般的に見られる非線形単調変換に対して、本手法はどの程度頑健か？
• RQ3 ノイズや信号特性の変動が存在する状況でも、本手法は高い検出能力を維持できるか？
• RQ4 正確性と計算効率の観点から、既存の変化点検出手法と比較してどうなるか？
• RQ5 キャリブレーションが不明または変動する実際のEEGおよびECG記録に、本手法は効果的に適用可能か？

主な発見

• 本手法は強い整合性を示し、適切な条件下で漸近的にすべての真の変化点を検出する。
• ノイズの多い状況や非線形単調変換下でも、シミュレーション研究で高い検出能力を達成した。
• 実際のEEGおよびECG記録において、臨床的および生理学的期待に整合する意味のある変化点を効果的に同定した。
• ノイズが多く、長時間にわたる生体物理的時系列において、微細な構造的変化を検出する点で、ベースライン手法を上回るか同等の性能を示した。
• 計算の単純さのおかげで、長時間の時系列への効率的な適用が可能であり、リアルタイムまたは大規模解析に適している。
• シミュレーションおよび実データを通じて、単調変換に対する頑健性が検証され、キャリブレーションが不確実または変動する測定システムにおける実用性が確認された。