马努切赫里（Manouchehri，Narges）;尼扎尔·布吉拉 医学应用中基于多元贝塔的层次Dirichlet过程隐马尔可夫模型。 （英语） Zbl 07616605号 Bouguila，Nizar（编辑）等人，《隐马尔可夫模型和应用》。查姆：斯普林格。无监督。半监督。学习。，235-261 (2022). 摘要：考虑到我们日常生活中各个领域对序列数据分析的需求越来越大，在连续数据流中发现隐藏的模式是一个有趣的研究课题。隐马尔可夫模型（HMM）是用于建模新数据连续流动的最强大的统计模型之一。在本章中，我们将重点讨论HMM的层次Dirichlet过程（HDP-HMM），它具有非参数结构，是标准参数HMM的高级和优雅的扩展。在HDP-HMM过程中，我们定义了无限状态空间上的转移矩阵。在HMM中定义适当的状态数是对推断模型有很大影响的基本参数之一。此外，我们还构建了基于多元Beta分布的非参数模型。我们应用了变分学习方法，该方法为推理提供了一种有前途的策略，并已成功应用于各个领域。关于整个系列，请参见[Zbl 1490.62009年]. MSC公司： 2005年6月2日 马尔可夫过程：估计；隐马尔可夫模型 PDF格式BibTeX公司 XML格式引用 \textit{N.Manouchehri}和\textit{N.Bouguila}，in：隐藏马尔可夫模型和应用。查姆：斯普林格。235-261（2022；Zbl 07616605） 全文： 内政部 参考文献： [1] M.Boeker、M.A.Riegler、H.L.Hammer、P.Halvorsen、O.B.Fasmer和P.Jakobsen，使用隐马尔可夫模型参数从活动记录中诊断精神分裂症2021年IEEE第34届基于计算机的医疗系统（CBMS）国际研讨会（IEEE，纽约，2021年），第432-437页 [2] N.F.Monroy，M.Altuve，使用ECG和ABP信号的不同变换的基于隐马尔可夫模型的心跳检测器第十五届国际医学信息处理与分析研讨会，第11330卷（国际光学和光子学学会，2020年），第113300S页 [3] Q.Huang，D.Cohen，S.Komarzynski，X.-M.Li，P.Innominato，F.Lévi，B.Finkenstädt，监测遥测活动数据中昼夜节律的隐马尔可夫模型。J.R.Soc.接口15（139），20170885（2018） [4] N.F.Monroy，M.Altuve，通过用于心跳检测的隐马尔可夫模型联合利用血流动力学和心电图信号拉丁美洲生物医学工程会议（施普林格，纽约，2019年），第208-217页 [5] J.Kim，S.Singh，E.D.Thiessen，A.V.Fisher，用于分析运动物体眼睛跟踪的隐马尔可夫模型。行为。研究方法52（3），1225-1243（2020）·doi:10.3758/s13428-019-01313-2 [6] M.Wang，S.Abdelfattah，N.Moustafa，J.Hu，脑电信号分类的深高斯混合idden Markov模型。IEEE传输。Emerg.顶部。计算。智力。2(4), 278-287 (2018) ·doi:10.1109/TETCI.2018.2829981 [7] A.Dhar，D.K.Ralph，V.N.Minin，F.A.Matsen IV，B细胞受体序列分析的贝叶斯系统发育隐马尔可夫模型。公共科学图书馆计算。生物16（8），e1008030（2020） [8] H.Ghimatgar，K.Kazemi，M.S.Helfroush，A.Aarabi，基于隐马尔可夫模型的单通道EEG睡眠阶段自动评分方法。《神经科学杂志》。方法324108320（2019）·doi:10.1016/j.jneumeth.2019.108320 [9] G.Zhang、B.Cai、A.Zhang，J.M.Stephen、T.W.Wilson、V.D.Calhoun、Y.-P.Wang，用稀疏隐马尔可夫模型估计大脑的动态功能连通性。IEEE传输。医学图像。39(2), 488-498 (2019) ·doi:10.1109/TMI.2019.2929959 [10] G.Manogaran、V.Vijayakumar、R.Varatharajan、P.M.Kumar、R.Sundarasekar、C.-H.Hsu，基于机器学习的大数据处理框架，用于使用隐马尔可夫模型和GM聚类进行癌症诊断。连线。个人通讯社。102(3), 2099-2116 (2018) ·doi:10.1007/s11277-017-5044-z [11] R.Rastghalam、H.Danyali、M.S.Helfroush、M.E.Celebi、M.Mokhtari，使用基于HMM的不对称分析和期望最大化在显微图像中检测皮肤黑色素瘤。IEEE J.生物医学。健康信息25（9），3486-3497（2021）·doi:10.1109/JBHI.2021.3081185 [12] S.Sharma，M.Rattan，基于HMM的脑肿瘤检测改进分割和分类器方法。打开Biomed。《工程杂志》13（1），33-39（2019）·doi:10.2174/1874120701913010033 [13] C.J.A.Wolfs，N.Varfalvy，R.A.M.Canters，S.M.J.G.Nijsten，D.Hattu，L.Archambault，F.Verhaegen，使用EPID剂量学对肺癌患者基于γ的解剖变化分类的隐马尔可夫模型的外部验证。医学物理。47(10), 4675-4682 (2020) [14] M.Momenzadeh，M.Sehhati，H.Rabbani，基于基因表达谱中的序列模式，使用隐马尔可夫模型预测乳腺癌复发。J.生物识别。信息111、103570（2020）·doi:10.1016/j.jpi..2020.103570文件 [15] H.Zheng，R.Wang，W.Xu，Y.Wang，W.Zhu，将HMM与遗传算法相结合，用于光伏逆变器的故障诊断。J.电力电子。17(4), 1014-1026 (2017) [16] H.Ding，Y.Tian，C.Peng，Y.Zhang，S.Xiang，用改进的HMM和RCNN模型对无关个体的基因组隐私进行推断攻击。信息科学。512, 207-218 (2020) ·Zbl 1456.68036号 ·doi:10.1016/j.ins.2019.09.036 [17] H.Satori、O.Zealouk、K.Satori和F.ElHaoussi，使用HMM语音识别系统对吸烟者和非吸烟者的语音进行比较。国际语音技术杂志。20(4), 771-777 (2017) ·doi:10.1007/s10772-017-9442-0 [18] D.Palaz，M.Magimai-Doss，R.Collobert，使用卷积神经网络进行基于HMM的自动语音识别的端到端声学建模。语音通信。108, 15-32 (2019) ·doi:10.1016/j.specom.2019.01.004 [19] J.Novoa，J.Wuth，J.P.Escudero，J.Fredes，R.Mahu，N.B.Yoma，基于DNN-HMM的HRI场景自动语音识别2018年ACM/IEEE人机交互国际会议记录（2018），第150-159页 [20] T.Schatz，N.H.Feldman，《神经网络与HMM语音识别系统作为人类跨语言语音感知模型》认知计算神经科学会议论文集(2018) [21] J.Novoa，J.Fredes，V.Poblete，N.B.Yoma，基于DNN-HMM的语音识别中的不确定性加权和传播。计算。演讲语言47，30-46（2018）·doi:10.1016/j.csl2017.06005 [22] R.Fatmi、S.Rashad、R.Integlia，比较基于ANN、SVM和HMM的机器学习方法，用于使用可穿戴运动传感器的美国手语识别2019 IEEE第九届年度计算与通信研讨会（CCWC）（IEEE，纽约，2019年），第0290-0297页 [23] A.Emdadi，C.Eslahchi，Auto-HMM-LMF：通过自动编码器和隐马尔可夫模型预测药物反应的基于特征选择的方法。BMC生物信息学22（1），1-22（2021）·doi:10.1186/s12859-021-03974-3 [24] J.-H.Zhang，X.-L.Liu，Z.-L.Hu，Y.-L.Ying，Y.-T.Long，用于准确检测癌症生物标记物的多层纳米孔特征的智能识别。化学。Commun公司。53(73), 10176-10179 (2017) ·doi:10.1039/C7CC04745B [25] A.Silvina，J.Bowles，P.Hall，《关于乳腺癌化疗结果的预测》欧洲医学人工智能会议（施普林格，纽约，2019年），第180-190页 [26] M.Z.Uddin，使用分段身体部位和身体关节特征和隐马尔可夫模型进行人类活动识别。多媒体工具应用。76（11），13585-13614（2017）·doi:10.1007/s11042-016-3742-2 [27] Z.Wang，Y.Chen，《使用可穿戴传感器识别人类并发活动：基于并行HMM.Sensor Rev.（2017）的统计建模方法》。如果1.583 [28] M.Abreu，M.Barandas，R.Leonardo，H.Gamboa，基于多重HMM的详细人类活动识别，in生物信号（2019），第171-178页 [29] G.Liu，Y.Kang，H.Men，CHAR-HMM:一种基于隐马尔可夫模型的改进连续人类活动识别算法移动Ad-hoc和传感器网络：第13届国际会议，2017年12月17日至20日，北京，MSN 2017，修订论文集，第747卷（Springer，纽约，2018），第271页 [30] X.Tong，Y.Su，Z.Li，C.Si，G.Han，J.Ning，F.Yang，使用MEMS传感器进行行人航位推算的两步无迹卡尔曼滤波器和基于HMM的零速度更新。IEEE传输。Ind.Electron公司。67(1), 581-591 (2019) ·doi:10.1109/TIE.2019.2897550 [31] G.Chalvatzaki，X.S.Papageorgiou，C.S.Tzafestas，P.Maragos，《使用基于HMM的智能机器人步行分析仪评估病理步态中的双重支持》2017年IEEE第26届机器人与人类交互通信国际研讨会（RO-MAN）（IEEE，纽约，2017），第101-106页 [32] S.Yu，H.Chen，R.A.Brown，《基于隐马尔可夫模型的坠落检测与运动传感器方向校准：真实家庭监控案例》，IEEE J.Biomed。《健康信息》22（6），1847-1853（2017）·doi:10.1109/JBHI.2017.2782079 [33] X.Chen，Z.-X.Wang，X.-M.Pan，用XGboost和HMM方法预测HIV-1的向性。科学。代表9（1），1-8（2019） [34] S.-T.Pan，W.C.Li，使用心电图信号进行情绪检测的模糊HMM建模。亚洲期刊控制22（6），2206-2216（2020）·doi:10.1002/asjc.2375 [35] X.Wang，Y.Liu，Z.Wu，X.Mou，M.Zhou，M.A.G.Ballester，C.Zhang，通过HMM自动标记具有拓扑约束的血管结构，in医学图像计算和计算机辅助干预国际会议（施普林格，纽约，2017），第208-215页 [36] S.AlZu'bi，S.AlQatawneh，M.ElBes，M.Alsmirat，多方向几何医学体分割中的可转移HMM概率矩阵。同意。计算。实际。实验32（21），e5214（2020） [37] S.N.Kumar、S.Muthukumar、H.Kumar和P.Varghese等人，《医学图像分割算法之旅》。生物识别。研究（0970-938X）（2018） [38] C.-H.Min，《自闭症谱系障碍儿童自我刺激行为模式的自动检测和标记》2017年第39届IEEE医学与生物学会工程国际年会（EMBC）（IEEE，纽约，2017），第279-282页 [39] S.Ali，F.Mehmood，Y.Ayaz，M.Sajid，H.Sadia，R.Nawaz，《一项实验性试验：使用隐马尔可夫模型对自闭症水平进行分类的多机器人治疗》。J.教育。计算。决议（2021）。https://doi.org/10.1177/07356331211040405 [40] P.S.Dammu，R.S.Bapi，使用变分贝叶斯隐马尔可夫模型的大脑时间动力学：在自闭症中的应用模式识别和机器智能国际会议（施普林格，纽约，2019年），第121-130页 [41] M.Chatterjee，N.V.Manyakov，A.Bangerter，D.A.Kaliukhovich，S.Jagannatha，S.Ness，G.Pandina，自闭症谱系障碍眼动的学习扫描路径数字个性化健康与医疗（IOS出版社，阿姆斯特丹，2020年），第287-291页 [42] S.Priyadharshini，K.Sivaranjani，自闭症谱系障碍的调查和统计分析：一项调查。国际高级研究计算杂志。科学。柔和。工程7（7），13-15（2017）·doi:10.23956/ijarcsse.v7i7.89 [43] J.Van Schependom、D.Vidaure、L.Costers、M.Sjögárd、M.B.D'hooghe、M.D'haeseler、V.Wens、X.De Tiège、S.Goldman、M.Woolrich等人。多发性硬化症中的瞬态脑动力学改变：治疗还是病理学？嗯。大脑映射。40(16), 4789-4800 (2019) ·doi:10.1002/hbm.24737 [44] N.Esmaili，M.Piccardi，B.Kruger，F.Girosi，通过混合隐马尔可夫模型分析运输相关伤害后的医疗服务利用率。《公共科学图书馆·综合》13（11），e0206274（2018） [45] B.Muthu、C.B.Sivaparthipan、G.Manogaran、R.Sundarasekar、S.Kadry、A.Shanthini、A.Dasel，基于物联网的可穿戴传感器，用于医疗保健领域的疾病预测和症状分析。对等网络应用。13(6), 2123-2134 (2020) ·doi:10.1007/s12083-019-00823-2 [46] A.Vimont，H.Leleu，I.Durand-Zaleski，机器学习与回归建模在预测法国全国理赔数据库代表性样本中的个人医疗成本中的比较。欧洲卫生经济学杂志。23(2), 211-223 (2021) ·doi:10.1007/s10198-021-01363-4 [47] S.Fine，Y.Singer，N.Tishby，《分层隐马尔可夫模型：分析与应用》。机器。学习。32(1), 41-62 (1998) ·Zbl 0901.68178号 ·doi:10.1023/A:1007469218079 [48] E.Fox，E.Sudderth，M.Jordan，A.Willsky，《为具有状态持久性的系统开发一个温和的HDP-HMM》。麻省理工学院LIDS（2007） [49] E.B.Fox、E.B.Sudderth、M.I.Jordan、A.S.Willsky，《状态持久性系统的HDP-HMM》，in第25届机器学习国际会议论文集（2008），第312-319页 [50] E.B.Fox、E.B.Sudderth、M.I.Jordan、A.S.Willsky，一种粘性HDP-HMM，适用于说话人日记。附录申请。统计5（2A），1020-1056（2011）·Zbl 1232.62077号 ·doi:10.1214/10-AOAS395 [51] A.Bargi，R.Y.D.Xu，M.Piccardi，运动捕捉数据中用于联合动作分割和分类的在线HDP-HMM，in2012年IEEE计算机学会计算机视觉和模式识别研讨会（IEEE，纽约，2012），第1-7页 [52] N.Raman，S.J.Maybank，使用区分性多级HDP-HMM进行动作分类。神经计算154，149-161（2015）·doi:10.1016/j.neucom.2014.12.009 [53] A.Bargi，R.Y.D.Xu，M.Piccardi，AdOn HDP-HMM：用于序列数据分割和分类的自适应在线模型。IEEE传输。神经网络。学习。系统。29(9), 3953-3968 (2017) ·doi:10.1109/TNNLS.2017.2742058 [54] J.Zhao，S.Basole，M.Stamp，GMM-HMM模型的恶意软件分类（2021）。预印arXiv:2103.02753 [55] F.Zhang，S.Han，H.Gao，T.Wang，三维视觉设备运动识别的基于高斯混合的隐马尔可夫模型。计算。选举人。工程83、106603（2020）·doi:10.1016/j.compleceng.2020.106603 [56] F.Tian，Q.Zhou，C.Yang，基于高斯混合模型的光纤传输非线性均衡器。光学实验28（7），9728-9737（2020）·doi:10.1364/OE.386476 [57] Y.Li，B.Hu，T.Niu，S.Gao，J.Yan，K.Xie，Z.Ren，基于GMM-HMM的中长期多风电场相关输出功率时间序列发电方法。IEEE接入9，90255-90267（2021）·doi:10.1109/ACCESS.2021.3091460 [58] X.Cheng，B.Huang，J.Zong，使用信道状态信息基于GMM-HMM的无设备人类活动识别。IEEE接入9，76592-76601（2021）·doi:10.1109/ACCESS.2021.3082627 [59] C.L.P.Lim，W.L.Woo，S.S.Dlay，B.Gao，基于阈值的GMM-HMM方法的心率相关心波生物识别。IEEE传输。Ind.Inf.15（1），45-53（2018）·doi:10.10109/TI.2018.2874462 [60] L.Chen，D.Barber，J.-M.Odobez，动态Dirichlet混合模型。2007年IDIAP技术报告 [61] R.Nasfi，M.Amayri，N.Bouguila，用基于Dirichlet的反向隐马尔可夫模型建模正向量的新方法。基于知识的系统。192, 105335 (2020) ·doi:10.1016/j.knosys.2019.105335 [62] E.Epaillard，N.Bouguila，Dirichlet和广义Dirichlet-mixture-based HMM的无数据度量——一项实践研究。帕特。认可。85, 207-219 (2019) ·doi:10.1016/j.patcog.2018年8月13日 [63] E.Epaillard，N.Bouguila，基于Dirichlet的广义隐马尔可夫模型的变分贝叶斯学习应用于异常事件检测。IEEE传输。神经网络。学习。系统。30(4), 1034-1047 (2018) ·doi:10.1109/TNNLS.2018.2855699 [64] N.Bouguila，E.Epaillard，基于狄利克雷和广义狄利克雷混合的HMM的无数据度量——一项实用研究。帕特。认可。85 (2018). https://doi.org/10.1016/j.patcog.2018.08.013 [65] N.Manouchehri，N.Bouguila，W.Fan，医学应用中多元β混合模型的非参数变分学习。国际期刊图像。系统。技术。31（1）128-140（2021）·doi:10.1002/ima.22506 [66] N.Manouchehri，M.Kalra，N.Bouguila，医学应用有限多元β混合模型的在线变分推理。IET图像处理。15(6245), 1869-1882 (2021) ·doi:10.1049/ipr2.12154 [67] D.M.Blei、A.Kucukelbir、J.D.McAuliffe，《变分推断：统计学家评论》。《美国统计协会期刊》112（518），859-877（2017）·doi:10.1080/01621459.2017.1285773 [68] A.Zhang，S.Gultekin，J.Paisley，HDP-HMM的随机变分推断，in人工智能与统计（PMLR，2016），第800-808页 [69] Y.Wang，D.Blei，模型错误指定下的变分贝叶斯。高级神经信息处理。系统。32, 13357-13367 (2019) [70] A.Vellido，机器学习中可解释性和可视化对医学和卫生保健应用的重要性。神经计算。申请。32(24), 18069-18083 (2020) ·doi:10.1007/s00521-019-04051-w [71] D.枪击，可解释人工智能（XAI）。国防部高级研究计划局（DARPA）和网络, 2 (2017) [72] R.Miotto、F.Wang、S.Wang，X.Jiang、J.T.Dudley，《医疗保健深度学习：回顾、机遇和挑战》。简介。生物信息。19(6), 1236-1246 (2018) ·doi:10.1093/bib/bbx044 [73] G.Litjens、T.Kooi、B.E.Bejnordi、A.A.A.Setio、F.Ciompi、M.Ghafoorian、J.A.Van Der Laak、B.Van Ginneken、C.I.Sánchez，《医学图像分析深度学习调查》。医学图像分析。42, 60-88 (2017) ·doi:10.1016/j.media.2017.07.005 [74] I.Olkin，R.Liu，二元β分布。统计概率。莱特。62(4), 407-412 (2003) ·Zbl 1116.60309号 ·doi:10.1016/S0167-7152（03）00048-8 [75] D.M.Blei，M.I.Jordan，狄利克雷过程混合物的变分推理。贝叶斯分析。1(1), 121-143 (2006) ·Zbl 1331.62259号 ·doi:10.1214/06-BA104 [76] Y.W.Teh、M.I.Jordan、M.J.Beal、D.M.Blei，《分层Dirichlet过程》。《美国统计协会期刊》101（476），1566-1581（2006）·Zbl 1171.62349号 ·doi:10.19198/0162114506000000302 [77] T.S.Ferguson，一些非参数问题的贝叶斯分析。Ann.Stat.1（2），209-230（1973）·Zbl 0255.62037号 ·doi:10.1214/aos/1176342360 [78] R.J.Connor，J.E.Mosimann，比例独立性概念与Dirichlet分布的推广。《美国统计协会杂志》第64卷（325页），194-206年（1969年）·Zbl 0179.2410号 ·网址：10.1080/01621459.1969.10500963 [79] T.-T.Wong，贝叶斯分析中的广义Dirichlet分布。申请。数学。计算。97(2-3), 165-181 (1998) ·Zbl 0945.62036号 ·doi:10.1016/S0096-3003（97）10140-0 [80] H.Ishwaran、L.F.James和Gibbs的破胶前期采样方法。《美国统计协会期刊》96（453），161-173（2001）·Zbl 1014.62006年 ·doi:10.19198/0162114501750332758 [81] M.J.Beal，近似贝叶斯推断的变分算法（伦敦大学，伦敦大学学院（联合王国），2003年） [82] M.I.Jordan，Z.Ghahramani，T.S.Jaakkola，L.K.Saul，《图形模型变分方法简介》。在图形模型中学习。机器。学习。37, 183-233, 105162 (1999) ·Zbl 0945.68164号 [83] M.M.Ichir，A.Mohammad-Djafari，《利用lp先验进行盲源分离的平均场近似方法》2005年第13届欧洲信号处理会议（IEEE，纽约，2005），第1-4页 [84] J.Paisley，L.Carin，具有突破性先验的隐马尔可夫模型。IEEE传输。叹息。程序。57(10), 3905-3917 (2009) ·Zbl 1391.94357号 ·doi:10.1109/TSP.2009.2024987 [85] W.Fan，N.Bouguila，D.Ziou，有限狄利克雷混合模型的变分学习及其应用。IEEE传输。神经网络。学习。系统。23(5), 762-774 (2012) ·doi:10.1109/TNNLS.2012.2190298 [86] L.Rabiner，B.Juang，《隐马尔可夫模型简介》。IEEE ASSP Mag.3（1），4-16（1986）·doi:10.1109/MASSP.1986.1165342 [87] D.Roggen、A.Calatroni、M.Rossi、T.Holleczek、K.Förster、G.Tröster、P.Lukowicz、D.Bannach、G.Pirkl、A.Ferscha等。在高度丰富的网络传感器环境中收集复杂活动数据集2010年第七届网络传感系统国际会议（IEEE，纽约，2010年），第233-240页。 [88] H.Sagha，S.T.Digumarti，J.del R Milán，R.Chavarriaga，A.Calatroni，D.Roggen，G.Tröster，使用机会人类活动数据集的基准分类技术2011年IEEE系统、人与控制论国际会议（IEEE，纽约，2011） 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。