基于r语言的疾病制图中自适应核密度估计的阈值选择方法案例

作者: 拓端tecdat | 来源:发表于2020-04-05 22:44 被阅读0次

基于r语言的疾病制图中自适应核密度估计的阈值选择方法案例
adaptiveThreshold()vs.ostu()
R语言：核密度估计峰峦图
seaborn
OpenCV-Python学习(四)：阈值操作
R语言：统计直方图和核密度估计图
核密度估计丨数析学院
1.10 openCV-python 图像阈值
阈值化
目标跟踪算法

背景

诸如核密度估计（KDE）的平滑方法被用于控制用于计算每种疾病率的空间支持的群体基础。平滑程度由用户定义的参数（带宽或阈值）控制，该参数影响疾病图的分辨率和计算的速率的可靠性。

方法

内核，带宽的大小，是影响在KDE [在地图上的平滑的程度的关键参数 ]。带宽可以是固定的也可以是可变的（自适应的）。对于固定带宽方法，内核具有固定大小的半径，并且所有内核（圆圈）具有相同的半径。在健康研究中，固定带宽方法可能不合适，因为人口不是均匀分布在地理空间中。此外，如果圆圈落入低人口密度区域，可能会导致不稳定的比率。类似地，在自适应带宽方法中，内核半径增大或缩小以适应不同的种群大小。用于定义内核带宽的最小种群大小，以及因此地图上的平滑程度，是用户定义的参数。我们将其称为阈值（h）。

图显示了使用疾病控制和预防中心（CDC），国家卫生统计中心（NCHS）获得的65岁及以上男性心脏病死亡率的空间分布。我们使用具有不同阈值的自适应核密度估计方法产生该映射。