[论文解读] 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 12

一句话总结

本文提出了一种新颖的高分辨率时间序列变化点检测方法，通过将最大均值差异（MMD）应用于序数模式分布。通过比较时间序列不同区段之间的MMD，该方法在非线性单调变换下具有鲁棒性，且在模拟和真实世界应用中对EEG和ECG数据表现出一致性和优异性能。

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.

研究动机与目标

• 开发一种对高分辨率时间序列中变化点检测具有鲁棒性且计算简单的新型方法。
• 解决生物物理时间序列中校准变化或未知的问题。
• 利用序数模式分布增强对单调变换的不变性。
• 确保在真实世界神经生理学和生物医学信号分析中的统计一致性与实际适用性。

提出的方法

• 基于连续数据点的局部秩次排序，将时间序列段转换为序数模式。
• 计算不同时间段内序数模式经验分布之间的最大均值差异（MMD）。
• MMD作为分布差异的非参数统计检验，指示潜在的变化点。
• 由于模式的序数性质，该方法对非线性单调变换具有不变性。
• 采用滑动窗口方法在时间序列中扫描变化点。
• 在较弱的正则性条件下，理论上建立了该方法的一致性。

实验结果

研究问题

• RQ1 将MMD应用于序数模式分布是否能可靠检测高分辨率时间序列中的变化点？
• RQ2 该方法对生物物理测量中常见的非线性单调变换具有多大鲁棒性？
• RQ3 在存在噪声和不同信号特性的情况下，该方法是否保持高检测能力？
• RQ4 与现有变化点检测技术相比，其准确性和计算效率如何？
• RQ5 该方法能否在已知或变化校准的EEG和ECG真实记录中有效应用？

主要发现

• 该方法表现出强一致性，即在适当条件下渐近检测出所有真实变化点。
• 在模拟研究中，即使在非线性单调变换下，该方法仍表现出高检测能力。
• 该方法在真实EEG和ECG记录中成功识别出与临床和生理预期一致的有意义变化点。
• 在检测长而嘈杂的生物物理时间序列中细微结构变化方面，该方法优于或至少不逊于基线方法。
• 计算简单性使得该方法能高效应用于长时间序列，适用于实时或大规模分析。
• 通过模拟和真实数据验证了其对单调变换的鲁棒性，证实其在未校准或漂移测量系统中的实用性。