Использование скользящего среднего для расчета по окну значений - PullRequest
Новая
       65

Использование скользящего среднего для расчета по окну значений

1 голос
/ 09 января 2020

Я пытаюсь рассчитать скользящие средние частоты сердечных сокращений за 15-секундные интервалы. У меня есть данные в миллисекундах для многих участников, и поэтому значения в миллисекундах потенциально могут повторяться несколько раз, и из-за непоследовательных показаний времени создание интервалов по строкам нецелесообразно.

Ниже приведена небольшая выборка данных для одного участника. Данные для другого участника, очевидно, будут содержать разные данные в миллисекундах, взятые с разными интервалами.

В идеальном случае для вывода данных потребуется новый столбец со скользящим средним для каждого значения данных в миллисекундах. 

MS <- c(36148, 36753,37364,38062,38737,39580,40029,40387,41208,42006,42796, 43533,44274,44988,45696,46398,47079,47742,48429,49135,49861,50591,51324,52059)
HR <- c(84,84,84,84,84,96,84,84,96,84,84,96,84,84,96,84,84,84,84,84,84,84,84,84)

df <- data.frame(MS, HR)

У меня есть попробовал несколько пакетов (а именно набор функций прокрутки Zoo), но не смог применить их к этой проблеме.

Спасибо!

Ответы [ 4 ]

2 голосов
/ 10 января 2020

rollapplyr в зоопарке принимает вектор ширины, а findInterval может использоваться для вычисления индекса за MS 15 секунд a go, поэтому, если мы вычтем это из 1: n, мы получим w, количество позиций для усреднения. Какие именно интервалы для получения не обсуждаются в этом вопросе, поэтому мы предполагаем, что правый край каждого интервала находится в точке ввода. 

library(zoo)

w <- with(df, seq_along(MS) - findInterval(MS - 15000, MS))
transform(df, roll = rollapplyr(HR, w, mean, fill = NA))
1 голос
/ 10 января 2020

Опция использования неэквивалентного соединения в data.table, которая также обрабатывает идентификатор: 

library(data.table)
setDT(df)[, avgHR := 
    df[.(ID=ID, start=MS-15000, end=MS), on=.(ID, MS>=start, MS<=end),
        by=.EACHI, mean(HR)]$V1
]

вывод: 

    ID    MS HR    avgHR
 1:  1 36148 84 84.00000
 2:  1 36753 84 84.00000
 3:  1 37364 84 84.00000
 4:  1 38062 84 84.00000
 5:  1 38737 84 84.00000
 6:  1 39580 96 86.00000
 7:  1 40029 84 85.71429
 8:  1 40387 84 85.50000
 9:  1 41208 96 86.66667
10:  1 42006 84 86.40000
11:  1 42796 84 86.18182
12:  1 43533 96 87.00000
13:  1 44274 84 86.76923
14:  1 44988 84 86.57143
15:  1 45696 96 87.20000
16:  1 46398 84 87.00000
17:  1 47079 84 86.82353
18:  1 47742 84 86.66667
19:  1 48429 84 86.52632
20:  1 49135 84 86.40000
21:  1 49861 84 86.28571
22:  1 50591 84 86.18182
23:  1 51324 84 86.18182
24:  1 52059 84 86.18182
    ID    MS HR    avgHR

данные: 

MS <- c(36148, 36753,37364,38062,38737,39580,40029,40387,41208,42006,42796, 43533,44274,44988,45696,46398,47079,47742,48429,49135,49861,50591,51324,52059)
HR <- c(84,84,84,84,84,96,84,84,96,84,84,96,84,84,96,84,84,84,84,84,84,84,84,84)

df <- data.frame(ID=1, MS, HR)
0 голосов
/ 10 января 2020

Одно из возможных решений: 

library(magrittr)
start_range <- df$MS[df$MS < max(df$MS)-15000]

lapply(start_range,function(t){
  data.frame(MS = mean(df$MS[df$MS %between% c(t,t+15000)]),
             HR = mean(df$HR[df$MS %between% c(t,t+15000)]))
}) %>% Reduce(rbind,.)

        MS       HR
1 43218.00 86.18182
2 43907.82 86.18182
3 44603.55 86.18182
4 44948.29 86.28571
5 45673.38 86.33333

Я добавил несколько очков к вашим данным (у меня было только два балла с данными, которые вы предоставили): 

MS <- c(36148, 36753,37364,38062,38737,39580,40029,40387,41208,42006,42796, 43533,44274,44988,45696,46398,47079,47742,48429,49135,49861,50591,51324,52059,53289,54424)
HR <- c(84,84,84,84,84,96,84,84,96,84,84,96,84,84,96,84,84,84,84,84,84,84,84,84,85,88)
df <- data.frame(MS, HR)

Идея в том, чтобы рассчитайте для каждого значения MS среднее значение HR и время MS всех точек, имеющих время между этим значением (t в конце) и 15 с после. Я ограничиваю это для диапазона, в котором у меня есть значения, охватывающие 15 с: вектор start_range.

0 голосов
/ 09 января 2020

Я не совсем уверен, как вы хотите применить скользящее среднее 15, но вот один из способов go о том, что я думаю, вы ищете. Сначала мы подгруппируем данные, которые находятся между 7,5 с до и 7,5 с после, затем мы берем среднее значение. Это, однако, будет иметь краевой эффект, так как до первого значения нет 7,5 с. 

library(tidyverse)

roll_vec <- c()
for(i in 1:nrow(df)){
  ref <- df$MS[[i]]
  val <- df %>%
    filter(MS <= ref + 7500 & MS >= ref- 7500) %>%
    pull(HR) %>%
    mean
  roll_vec[[i]] <- val
}


df %>%
  mutate(roll_15s = roll_vec) 
#>       MS HR roll_15s
#> 1  36148 84 87.00000
#> 2  36753 84 87.00000
#> 3  37364 84 86.76923
#> 4  38062 84 86.57143
#> 5  38737 84 86.57143
#> 6  39580 96 86.57143
#> 7  40029 84 86.57143
#> 8  40387 84 86.57143
#> 9  41208 96 86.57143
#> 10 42006 84 86.57143
#> 11 42796 84 86.57143
#> 12 43533 96 86.57143
#> 13 44274 84 87.00000
#> 14 44988 84 87.27273
#> 15  4569 96 96.00000


df %>%
  mutate(roll_15s = roll_vec) %>%
  ggplot(aes(MS, HR))+
  geom_line()+
  geom_line(aes(y = roll_15s), color = "blue")

Обратите внимание, что на графике черная линия является необработанной данные и синяя линия - скользящее среднее 15-ых.

...