我有一个时间过程实验，跟踪 8 个治疗组，每组 12 条鱼，持续 24 小时，每隔 5 秒进行一次观察。在进行的测量中，每条鱼在观察之间移动了多远（以毫米为单位）。24 小时分为 1 个暗期和 1 个亮期。
这是治疗组 H 中 12 条个体鱼在黑暗期的第一个小时内的运动图：
您可以看到在此特定窗口期间，一些鱼有很长一段时间不活动，一些很短，而另一些则没有。我需要结合治疗组中所有 12 条鱼的数据，以确定整个黑暗期和整个光照期的休息期的长度和频率。我需要为每个治疗组执行此操作。然后我需要比较他们的休息时间长度和频率之间的差异。
我不是统计专家，而且我完全在海上。这个问题对我来说类似于序列比对（我的生物信息学背景），所以我在考虑隐马尔可夫模型，但这可能有点离谱。谁能提出一个解决这个问题的好方法，也许是 R 中的一个小例子？
谢谢！
我认为基于 HMM 的分析可能对您有所帮助。由于您知道您正在寻找静止和运动之间的区别，因此您可以假设一个 2 状态模型。对于 HMM，您需要指定每个状态的发射概率。我的第一次尝试是对静止阶段使用指数（或伽玛？）（因为它从下方以零为界，而其他状态为正态分布（你应该将初始参数设置为某个合理的值）。你然后可以计算后验状态分布以及参数的最大似然估计。后验状态序列可以为您提供休息和活动期的估计长度（只需计算连续状态的数量）。您甚至可以将暗/亮时期作为模型的协变量。
这个http://cran.r-project.org/web/packages/depmixS4/index.html是一个很棒的 HMM 包。这个http://cran.r-project.org/web/packages/depmixS4/vignettes/depmixS4.pdf小插图有非常有用的信息，关于它的应用和约束的使用以及与 HMM 的协变量。
我看到的一个问题是你有多条鱼。您应该首先为每条鱼分别安装一个 HMM。如果你能以某种方式“标准化”活动，以便它们可以产生相同的发射概率参数，也许你可以组合鱼。或者您可以使用鱼数作为协变量。
一些示例代码：
require(depmixS4)
set.seed(1)
mod <- depmix( activity~1, data=yourdata, nstates=2,
family=gaussian() );
fitted <- fit(mod)
但是有很多很多的可能性，请查看上面的链接！
祝你的项目好运！