我正在测量细胞信号测量中是否存在响应。我要做的是首先对数据的时间序列应用平滑算法(Hanning),然后检测峰值。我得到的是:
如果我想使响应的检测比“是的,您看到连续下降的趋势有所提高”更加客观,那么最好的方法是什么?通过线性回归确定峰与基线之间的距离吗?
(我是python编码人员,几乎不了解统计信息)
谢谢
我正在测量细胞信号测量中是否存在响应。我要做的是首先对数据的时间序列应用平滑算法(Hanning),然后检测峰值。我得到的是:
如果我想使响应的检测比“是的,您看到连续下降的趋势有所提高”更加客观,那么最好的方法是什么?通过线性回归确定峰与基线之间的距离吗?
(我是python编码人员,几乎不了解统计信息)
谢谢
Answers:
因此,从10月25日的评论看来,您对算法发现和表征两个主要功能感兴趣:初始响应衰减,然后是响应增加和衰减的循环。我假设在不连续的时间间隔观察数据。
这是我会尝试的方法:
此时,您将拥有与
一个。初始衰减的开始
b。上升的开始
C。第二次衰减的开始
然后,您可以进行分析所需的操作来评估更改。
最好让数据说明一切:在多个系列中,当您应用此方法时,上升时典型的大小变化是什么,通常在衰减周期中何时发生,并且持续多长时间?从位置,大小和持续时间方面看,这种上升趋势的分布情况如何?了解了这些统计数据后,您可以更好地将特定上升趋势定性为在公差范围内,就其发生的时间,大小和持续时间而言。从我的理解,关键是很容易识别,其中,这些变化正在发生。我所描述的其余内容都是直接计算的。
这里有一些想法,但是我顶着头可能会起作用。
导数:如果采用数组并将元素彼此相减以得到少分的数组,但这是一阶导数。如果现在将其平滑并寻找符号变化,则可能会检测到凸起。
移动平均线:也许使用2个滞后移动(指数或窗口移动平均线)可能会显示较大的变化而忽略较小的变化。基本上,较小的窗口移动平均值的宽度必须大于您要忽略的凸块的宽度。较宽的EMA必须较宽,但不能太宽以检测凹凸。
您会在它们交叉时寻找并减去滞后(窗口/ 2),这是您的颠簸所在的估计。 http://www.stockopedia.com/content/trading-the-golden-cross-does-it-really-work-69694/
线性模型:进行一系列具有足够宽度的线性模型,这些模型具有几个小凸起的宽度,例如100个点。现在遍历数据集,在X变量上生成线性回归。只需查看X的系数,看看大符号变化发生的位置。那是一个很大的障碍。
以上只是我的推测,可能有更好的方法来实现。