时间序列的在线监测在医学、生物测量和金融等不同应用领域变得越来越重要。在医学上，肾移植后患者的在线监测（Smith83）是一个简单而突出的例子。在金融领域，对日内股票市场价格水平和趋势变化的快速、可靠识别对订购和购买来说显然很有意义。在这个项目中，我们目前考虑监测心率、血压和氧合等手术数据。从统计角度来看，在线监测可以被视为时间序列中变化点的在线检测。这意味着，当新的观测值到来时，必须实时检测变化点，通常是在较短的时间间隔内。在记录了整批观察结果之后，对变化点进行回顾性检测是很好的，但在手术期间对患者进行监测时却毫无用处。有多种统计方法可用于在线检测时间序列中的变化点。动态或状态空间模型似乎特别适合，因为“过滤”一直以来都是为了在线估计某些系统的“状态”而开发的。我们的方法是基于用于变化点检测的所谓多过程卡尔曼滤波器（Schnatter94）的最新扩展。然而，事实证明，对于充分和可靠的应用，必须考虑一些重要问题，特别是（适当）处理离群值，以及作为中心点的控制或超参数的自适应在线估计。在本文中，我们描述了一个具有此特性的滤波器模型，它的实现方式可以使其对高频时间序列数据的实时应用非常有用。最近，已经提出了用于估计非高斯动态模型的基于仿真的方法，这些方法也可以被适配和推广用于变点检测的目的。其中大多数解决了平滑问题，但最近提出了一些建议，这些建议也可能有助于过滤，从而有助于在线监测（北川96a、北川96b、Shephard96）。如果这些方法是我们开发的有用替代方案，则需要在未来进行仔细比较，这超出了本文的范围。