统计学分析方法

实验数据经过静态、动态分析后所获得的生理信息结合LLS评分，可用来进行相关性分析并建立拟合模型。最常用的方法是统计学方法和回归分析方法。如Burtscher等对受试者急进高原时监测的生理数据进行标准化并使其服从正态分布。利用t分布检验相同性别受试者的生理差异；利用混合方差分析不同性别受试者在高海拔环境下的生理差异；利用χ2分布来检验数据在频域表达上的差异；并且引入皮尔逊相关系数计算不同生理指标变量之间的关系。Horiuchi等采用单因素重复测量方差分析（ANOVA）、线性趋势分析和两两配对（Bonferroni）事后检验来评估短期暴露于高原后的心血管变量、通气参数和日间及睡眠状态变化。如果使用等方差分析没有很好的效果，则使用Friedman非参数和成对（Scheffe）事后检验进行分析。Sikri等还引入Bonferroni校正对相关性的统计显著性进行调整。可使用Kolmogorov-Smirnov检验来评估变量的分布正态性。(https://www.daowen.com)

很多研究希望找到与AMS相关性最强的指标，主成分分析（PCA）和独立变量分析（ICA）是最常用的方法。Bian等在利用主成分分析浓缩了原始数据，再进行各项生理指标与AMS相关性的分析，可以极大程度减少计算量；Lacey等在低氧环境下的呼出气分析上，通过主成分分析减少了原始数据，并利用交叉验证的线性判别分析（CV-LDA）和ROC-AUC曲线评估了判别功能。决策树（CART）是一种二进制递归分区方法，通过该方法，数据沿解释变量的两个分支（即是否存在症状）进行连续分割，以便在每个节点上选择能够最大程度区分响应变量的症状。DiPasquale等尝试使用决策树分析找出常压低氧和低压低氧环境下鉴别AMS+最重要的症状。

回归分析中最常用的是logistics模型，在AMS研究中多分为多元logistics分析和逐步logistics分析。Li等使用逐步logistics回归分析确定ΔHR与SaO2是AMS发生可能性的独立预测因子；Karinen等使用logistic回归确定海拔高度和暴露在低氧环境下20～30 min后的SaO2值是AMS易感性的独立预测因子，达到了很高的准确率；Beidleman等建立了一种鲁棒性更强的线性-逻辑回归混合模型，这是一种截距和斜率因个体而异的无条件均值模型，可以对任何经过归一化的受试者数据进行AMS严重性和患病率预测。这些模型可以适应重复测量数据、随时间丢失的数据、不规则的间隔测量和不平衡的数据，并且可以处理时变数据。模型评估将数据与拟合模型进行比较，评估工具包括残差分析、离群值检测、影响分析和模型假设验证。也有一些研究采用其他回归模型，如Sikri等采用Log-Binomial回归来分析AMS与疲劳、头痛和失眠之间的关系。