Buscando patrón de eventos en una serie temporal

Question

Tengo un curso de tiempo experimento que sigue a 8 grupos de tratamiento, de 12 de pescado durante 24 horas con las observaciones realizadas en intervalos de 5 segundos. Entre las medidas realizadas es en qué medida cada uno de los peces viajes (en mm) entre las observaciones. Las 24 horas se divide en 1 periodo de oscuridad y 1 período de luz.

Aquí es un gráfico de los movimientos de las 12 de peces individuales en el tratamiento del grupo H de la primera hora del período de oscuridad:

Se puede ver que algunos peces tienen largos períodos de inactividad, algunos cortos períodos de tiempo, y algunos han ninguno durante esta ventana particular. Necesito combinar los datos de todos los 12 de peces en el grupo de tratamiento de tal forma que se pueda identificar la duración y la frecuencia de los períodos de descanso durante todo el periodo de oscuridad y la luz todo el período. Necesito hacer esto para cada grupo de tratamiento. Entonces la necesidad de comparar las diferencias entre su periodo de descanso de longitudes y frecuencias.

Yo no soy un stats gal, y yo estoy completamente en el mar. El problema se asemeja a la alineación de secuencias para mí (mi bioinfomatics de fondo), así que estoy pensando en modelos Ocultos de Markov, pero esto puede ser muy lejos de la base. Alguien podría sugerir una buena aproximación a este problema y tal vez un pequeño ejemplo en R?

Gracias!

Answer 1

Creo que un HMM-basado en el análisis podría ser útil para usted. Ya que usted sabe que usted está buscando para una distinción entre el reposo y el movimiento, sólo se puede postular un 2-modelo de estado. Para Hmm, es necesario especificar la emisión de probabilidad para cada estado. Mi primer intento sería el uso de una exponencial (o una gamma?) para la fase de reposo (pues delimitada por cero desde abajo y una distribución normal para el otro estado (usted debe configurar los parámetros iniciales a un valor razonable). A continuación, puede calcular la posterior distribución de estado junto con el de máxima verosimilitud de las estimaciones de los parámetros. La posterior secuencia de estado puede dar la estimación de longitudes de la de descanso y periodos de actividad (sólo contar el número de los estados sucesivos). Usted podría incluso poner la oscuridad/período de luz como covariable en el modelo.

Este http://cran.r-project.org/web/packages/depmixS4/index.html es un gran paquete para el Hmm. Este http://cran.r-project.org/web/packages/depmixS4/vignettes/depmixS4.pdf viñeta tiene información muy útil acerca de su aplicación y el uso de las restricciones y las covariables con Hmm así.

Un problema que estoy viendo es que tiene varios peces. Usted debe comenzar con el montaje de un HMM para cada uno de los peces por separado. Tal vez usted podría combinar pescado si se pudiera de alguna manera "normalizar" la actividad que se podría producir la misma emisión de probabilidad de los parámetros. O usted podría utilizar el pescado-número como covariable.

El código de ejemplo:

require(depmixS4)
set.seed(1)
mod <- depmix( activity~1, data=yourdata, nstates=2,
               family=gaussian() );
fitted <- fit(mod)

pero hay muchas, muchas posibilidades, echa un vistazo a los enlaces arriba!

Buena suerte con tu proyecto!