Detrended Fluctuation Analysis: Formel & Beispiel
Die Detrended Fluctuation Analysis (DFA) misst, wie stark eine Zeitreihe sich an ihre eigene Vergangenheit âerinnertâ. Sie integriert das Signal, entfernt einen lokalen linearen Trend in Fenstern der GröĂe n und verfolgt, wie die verbleibende Fluktuation F(n) mit wachsendem n zunimmt; die Steigung von log F(n) gegenĂŒber log n ist der Skalierungsexponent α. Ein α nahe 0,5 bedeutet kein GedĂ€chtnis, ĂŒber 0,5 bedeutet persistente Korrelationen, und unter 0,5 bedeutet, dass die Reihe dazu neigt, sich selbst umzukehren.
Die Detrended Fluctuation Analysis (DFA) misst, wie stark eine Zeitreihe sich an ihre eigene Vergangenheit âerinnertâ. Sie integriert das Signal, entfernt einen lokalen linearen Trend in Fenstern der GröĂe n und verfolgt, wie die verbleibende Fluktuation F(n) mit wachsendem n zunimmt; die Steigung von log F(n) gegenĂŒber log n ist der Skalierungsexponent α. Ein α nahe 0,5 bedeutet kein GedĂ€chtnis, ĂŒber 0,5 bedeutet persistente Korrelationen, und unter 0,5 bedeutet, dass die Reihe dazu neigt, sich selbst umzukehren.
Was misst die Detrended Fluctuation Analysis eigentlich?
DFA schÀtzt langreichweitige Korrelationen in einem Signal, das auch driften kann. Die gewöhnliche Autokorrelation hat Schwierigkeiten, wenn der Mittelwert einer Reihe wandert, zum Beispiel bei einer Herzschlagreihe wÀhrend eines Stufentests, bei dem die Herzfrequenz stufenweise ansteigt. DFA geht damit um, indem sie innerhalb jedes Fensters einen Trend anpasst und subtrahiert, bevor sie die VariabilitÀt misst. Jegliche Drift, die die Trendlinie aufnimmt, zÀhlt nicht mehr als Korrelation.
Das Ergebnis ist eine einzige Zahl, der Skalierungsexponent α (Alpha). Er ist der Exponent im Potenzgesetz F(n) â n^α. Wenn eine Verdopplung der FenstergröĂe die Fluktuation mit 2^0,5 â 1,41 multipliziert, dann ist α = 0,5. Ein gröĂerer Faktor ergibt ein gröĂeres α.
Die Methode wurde fĂŒr physiologische Signale von Peng und Kollegen in ihrem 1995 erschienenen Paper Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series (Chaos, Bd. 5) populĂ€r gemacht. DFA wurde seitdem auf Erdbebenaufzeichnungen, Finanzreihen, Gangbilder, Audio und vieles mehr angewendet. FĂŒr ein Laktattest-Publikum ist die relevante Anwendung eine enge: Die Kurzzeit-DFA von Schlag-zu-Schlag-Herzfrequenzintervallen, meist DFA α1 genannt.
Wie wird die DFA-Formel Schritt fĂŒr Schritt berechnet?
Beginnen Sie mit einer Reihe x(1) ⊠x(N), zum Beispiel RR-Intervallen in Millisekunden (der Zeit zwischen aufeinanderfolgenden HerzschlÀgen).
- Mittelwert subtrahieren und integrieren. Bilden Sie das Profil y(k) = ÎŁ [x(i) â xÌ] fĂŒr i = 1 ⊠k. Diese laufende Summe ist die âRandom-Walkâ-Version des Signals.
- Teilen Sie das Profil in Boxen von je n Punkten, ohne Ăberlappung.
- Passen Sie innerhalb jeder Box eine Gerade an mittels kleinster Quadrate. Diese Linie, y_n(k), ist der lokale Trend. Die Anpassung einer Geraden ergibt DFA1; die Anpassung einer Parabel ergibt DFA2, und so weiter.
- Berechnen Sie die Fluktuation: F(n) = â[ (1/N) · ÎŁ (y(k) â y_n(k))ÂČ ], summiert ĂŒber jeden Punkt in jeder Box.
- Wiederholen Sie dies fĂŒr mehrere BoxgröĂen n und tragen Sie log F(n) gegen log n auf.
- Lesen Sie α als die Steigung dieser Linie ab.
Welche α-Werte bedeuten was bei DFA?
Diese Referenzwerte stammen aus der Definition der Methode, nicht aus einer Studienpopulation:
| α-Bereich | Signalverhalten | Einfache Lesart |
|---|---|---|
| unter 0,5 | Antikorreliert | Auf groĂe Werte folgen tendenziell kleine |
| etwa 0,5 | Unkorreliert (weiĂes Rauschen) | Kein GedĂ€chtnis |
| 0,5 bis 1,0 | Persistent, langreichweitig korreliert | Auf groĂe Werte folgen tendenziell groĂe |
| etwa 1,0 | 1/f-(ârosaâ)-Rauschen | Korrelationen ĂŒber viele Skalen hinweg |
| etwa 1,5 | Brownsches Rauschen (integriertes weiĂes Rauschen) | Stark driftend, random-walk-artig |
Wie hÀngt DFA mit dem Hurst-Exponenten zusammen?
FĂŒr ein stationĂ€res Signal vom Typ fraktionales GauĂsches Rauschen entspricht α dem Hurst-Exponenten H. FĂŒr ein nicht-stationĂ€res Signal vom Random-Walk-Typ gilt α â H + 1, weshalb DFA-Werte ĂŒber 1 liegen können, wĂ€hrend H zwischen 0 und 1 bleibt. Die Rescaled-Range-Analyse und Bayessche SchĂ€tzer zielen direkt auf H ab. DFA wurde populĂ€r, weil ihr Vorverarbeitungsschritt driftende Signale toleriert.
Beispiel zur Detrended Fluctuation Analysis: Eine Handrechnung mit 8 SchlÀgen
Beispiel: Die folgende RR-Reihe ist fiktiv und bewusst winzig gehalten, damit jeder Schritt mit einem Taschenrechner ĂŒberprĂŒft werden kann. Echte Analysen benötigen weit mehr Daten; der Zweck hier ist zu zeigen, woher jede Zahl stammt.
Eingabe (ms): 800, 810, 790, 820, 805, 795, 815, 785. Mittelwert = 6.420 / 8 = 802,5 ms.
Schritt 1: Abweichungen und Profil.
| Schlag k | RR (ms) | x â Mittelwert | Profil y(k) |
|---|---|---|---|
| 1 | 800 | â2,5 | â2,5 |
| 2 | 810 | +7,5 | 5,0 |
| 3 | 790 | â12,5 | â7,5 |
| 4 | 820 | +17,5 | 10,0 |
| 5 | 805 | +2,5 | 12,5 |
| 6 | 795 | â7,5 | 5,0 |
| 7 | 815 | +12,5 | 17,5 |
| 8 | 785 | â17,5 | 0,0 |
BoxgröĂe n = 4
Box 1 (SchlĂ€ge 1â4) hat eine angepasste Steigung von +2,5, was die Trendwerte â2,5, 0, 2,5, 5,0 ergibt. Die Residuen sind 0, 5, â10, 5, und ihre Quadrate summieren sich zu 150.
Box 2 (SchlĂ€ge 5â8) hat eine angepasste Steigung von â2,5, was die Trendwerte 12,5, 10, 7,5, 5,0 ergibt. Die Residuen sind 0, â5, 10, â5, und auch hier summieren sich die Quadrate zu 150.
F(4) = â(300 / 8) = â37,5 â 6,12 ms.
BoxgröĂe n = 8
Eine Box umfasst alle acht SchlĂ€ge. Die Steigung nach der Methode der kleinsten Quadrate betrĂ€gt 60 / 42 â 1,43 pro Schlag, wobei die Linie von 0 bis 10 verlĂ€uft. Die quadrierten Residuen summieren sich auf etwa 389,3.
F(8) = â(389,3 / 8) = â48,66 â 6,98 ms.
Resultierendes α
α = log(F(8) / F(4)) / log(8 / 4) = ln(1,139) / ln(2) â 0,130 / 0,693 â 0,19.
Das liegt deutlich unter 0,5, und die Rohdaten zeigen, warum. Die Reihe wechselt fast bei jedem Schlag (hoch, niedrig, hoch, niedrig), was ein antikorreliertes Verhalten ist. Eine Verdopplung des Fensters erhöht die Fluktuation kaum, weil sich die Zickzackbewegungen gegenseitig aufheben, statt sich aufzubauen. Eine glattere Reihe, die in eine Richtung driftet, wĂŒrde eine viel steilere F(n)-Kurve und ein höheres α ergeben.
Zwei BoxgröĂen ergeben eine Linie durch zwei Punkte, sodass die Anpassung ĂŒberhaupt keine FehlerschĂ€tzung hat. Dies ist der erste Fehlermodus, auf den man bei jedem DFA-Ergebnis achten sollte: Ein α, das aus zu wenigen Boxen oder zu wenigen BoxgröĂen berechnet wurde, wirkt genauso prĂ€zise wie ein gut begrĂŒndetes.
Wie viele Daten benötigt DFA α1 aus einer Herzfrequenzaufzeichnung?
Die Kurzzeit-DFA von HerzschlĂ€gen verwendet ĂŒblicherweise kleine Boxen, etwa von 4 bis 16 SchlĂ€gen. Die Anzahl der unabhĂ€ngigen Boxen, die man erhĂ€lt, hĂ€ngt von der Herzfrequenz und der FensterlĂ€nge ab, ebenso wie die StabilitĂ€t der SchĂ€tzung.
Beispiel: Angenommen ein 2-minĂŒtiges Analysefenster und ein Boxbereich von 4 bis 16 SchlĂ€gen.
| Herzfrequenz | SchlÀge in 2 Min | Boxen bei n = 4 | Boxen bei n = 16 |
|---|---|---|---|
| 60 bpm | 120 | 30 | 7 |
| 100 bpm | 200 | 50 | 12 |
| 150 bpm | 300 | 75 | 18 |
In Ruhe stĂŒtzt sich die gröĂte BoxgröĂe auf nur sieben Boxen, sodass das obere Ende der Log-Log-Linie verrauscht ist. Bei intensiven Stufen enthĂ€lt dasselbe 2-minĂŒtige Fenster mehr als doppelt so viele Daten. In der Praxis trĂ€gt ein α1-Wert aus einer AufwĂ€rmstufe mit niedriger Herzfrequenz mehr Unsicherheit als einer aus einer spĂ€teren Stufe, selbst wenn die Software beide auf zwei Dezimalstellen anzeigt.
Welche Aufzeichnungsfehler verzerren DFA α1?
- Artefakte und ektope SchlĂ€ge. Ein ausgelassener oder doppelt erfasster Schlag erzeugt einen RR-Wert, der etwa doppelt so groĂ oder halb so groĂ ist wie seine Nachbarn. Da DFA die Reihe integriert, bleibt dieser AusreiĂer fĂŒr den Rest des Fensters im Profil erhalten. PrĂŒfen Sie, welcher Anteil der SchlĂ€ge von der Software korrigiert wurde, und verwerfen Sie Fenster, bei denen dieser Anteil hoch ist.
- Optische Sensoren vs. Brustgurt. DFA benötigt Schlag-zu-Schlag-RR-Timing, keine geglĂ€ttete bpm-Anzeige. PrĂŒfen Sie, ob Ihr GerĂ€t echte RR-Intervalle exportiert.
- Fenster, die einen Stufenwechsel ĂŒberspannen. Wenn ein 2-minĂŒtiges Fenster den Sprung von einer Stufe zur nĂ€chsten ĂŒberdeckt, muss die Trendlinie einen Stufensprung auffangen, fĂŒr den sie nie ausgelegt war.
- Nicht ĂŒbereinstimmende Boxbereiche. α1 aus den Boxen 4â16 und α aus den Boxen 4â64 sind unterschiedliche Zahlen. Vergleichen Sie Werte nur, wenn Boxbereich und Detrending-Ordnung ĂŒbereinstimmen.
Kann DFA α1 einen Laktat-Stufentest fĂŒr LT1 und LT2 ersetzen?
DFA α1 und Blutlaktat messen unterschiedliche Dinge. Laktat ist eine metabolische Konzentration in mmol/L, die am Ende jeder Stufe gemessen wird. DFA α1 beschreibt die Korrelationsstruktur des Herzschlag-Timings, und diese Struktur verĂ€ndert sich mit steigender IntensitĂ€t. Die Arbeitsgruppe um Rogers und Gronwald hat feste α1-Werte als Marker vorgeschlagen: α1 = 0,75 nahe der ersten ventilatorischen Schwelle (Rogers et al. 2021, Front Physiol) und α1 = 0,5 nahe der zweiten (Rogers et al. 2021, J Funct Morphol Kinesiol). Beide Studien umfassten je 15 Personen auf dem Laufband und verglichen mit Gasaustausch-Schwellen, nicht mit Blutlaktat. Die Ăbereinstimmung mit laktatbasierten Schwellen variiert zwischen Individuen, Sportarten und Protokollen, daher sollte man jeden solchen Grenzwert als Hypothese fĂŒr die eigenen Daten behandeln und nicht als kalibrierten Schwellenwert.
Ein praktischer Ablauf besteht darin, beide Signale in derselben Sitzung zu erfassen:
- FĂŒhren Sie einen Standard-Stufentest durch, bei dem am Ende jeder Stufe Laktat gemessen wird.
- Zeichnen Sie durchgehend RR-Intervalle mit einem Brustgurt auf.
- Berechnen Sie LT1 und LT2 aus der Laktatkurve und berechnen Sie α1 separat pro Stufe.
- Notieren Sie die Stufe, bei der α1 unter den von Ihrer Software verwendeten Referenzwert fÀllt (α1 sinkt mit steigender IntensitÀt), und vergleichen Sie sie mit der aus dem Laktat abgeleiteten LT1-Leistung oder -Pace.
- Wiederholen Sie dies beim nÀchsten Test, bevor Sie dem Zusammenhang vertrauen.
Beispiel fĂŒr einen Vorher-Nachher-Vergleich: Angenommen LT1 aus dem Laktat liegt bei 205 W, und der α1-Ăbergang in derselben Sitzung liegt bei 225 W. Diese Differenz von 20 W ist die Zahl, die man festhalten sollte. FĂŒhren Sie dasselbe Protokoll einige Wochen spĂ€ter erneut durch. Wenn die Differenz Ă€hnlich ist, kann der HRV-Marker fĂŒr diesen Athleten als ZwischenprĂŒfung nĂŒtzlich sein. Wenn sie von +20 W auf â15 W springt, sagt sie noch nichts aus, worauf man handeln könnte. Entscheidungen ĂŒber Trainingsbelastung oder Gesundheit gehören weiterhin in die HĂ€nde eines qualifizierten Trainers oder Arztes, nicht in die eines einzelnen Exponenten.
Indoor-Trainer-Tests im Dezember und Januar eignen sich fĂŒr diesen Vergleich, weil Temperatur, Haltung und Leistungsmessung zwischen den Sitzungen stabil bleiben. FĂŒr die DatenqualitĂ€t auf der Laktatseite zeigt der Artikel zur Stufentest-Analyse mit Vergleich von vier Schwellenmethoden, wie stark sich LT-SchĂ€tzungen allein durch die Methode verschieben können. Diese Streuung ist der MaĂstab dafĂŒr, ob eine α1-Differenz bedeutsam ist oder nur Methodenrauschen.
Wie wÀhlt man DFA-Software oder eine Python-Implementierung aus?
Das Suchinteresse an âdetrended fluctuation analysis Pythonâ spiegelt wider, dass die meisten Menschen DFA letztlich selbst skripten, statt sie aus einem MenĂŒ heraus auszufĂŒhren. UnabhĂ€ngig davon, welche Implementierung Sie wĂ€hlen, prĂŒfen Sie diese Einstellungen, bevor Sie irgendwelche Ergebnisse vergleichen:
| Einstellung | Was zu prĂŒfen ist | Warum es α verĂ€ndert |
|---|---|---|
| Detrending-Ordnung | Linear (DFA1) oder höher | Höhere Ordnungen entfernen KrĂŒmmung und können α senken |
| BoxgröĂen | Minimum, Maximum, Abstand (linear oder logarithmisch) | α1 und α2 decken unterschiedliche Skalen ab |
| Ăberlappung | Nicht ĂŒberlappende oder gleitende Boxen | Beeinflusst die Varianz von F(n), besonders bei kurzen Reihen |
| Integration | Ob die Eingabe bereits integriert ist | Zweifaches Integrieren addiert etwa 1 zu α |
| Artefaktbehandlung | Interpolation, Löschung, Schwellenwert | Unkorrigierte SchlÀge hinterlassen einen Sprung im Profil |
| FensterlĂ€nge und Schrittweite | z. B. 2 Min, alle paar Sekunden aktualisiert | Kurze Fenster bedeuten wenige Boxen bei groĂem n |
Die Zeile âzweifaches Integrierenâ ist ein hĂ€ufiger stiller Fehler. Manche Bibliotheken erwarten die Rohreihe und integrieren sie intern selbst. Wenn Sie eine kumulative Summe ĂŒbergeben, springt das gemeldete α um etwa eine Einheit, sodass zum Beispiel ein weiĂrauschĂ€hnliches Signal als Brownsches Rauschen gelesen wird.
Ein nĂŒtzlicher PlausibilitĂ€tscheck besteht darin, synthetisches weiĂes Rauschen zu erzeugen, es durch Ihre Pipeline laufen zu lassen und zu bestĂ€tigen, dass α nahe bei 0,5 herauskommt. Mischen Sie dann Ihre echte RR-Reihe durch und lassen Sie sie erneut laufen. Das Mischen zerstört Korrelationen, sodass α in Richtung 0,5 fallen sollte. Tut es das nicht, misst die Pipeline etwas anderes als die Korrelationsstruktur.
Laktat-Tools arbeiten auf einer anderen Ebene. Sie nehmen Stufenwerte in mmol/L und passen eine Kurve an, statt einen Skalierungsexponenten zu schĂ€tzen. Wie die Methoden (Dmax, feste Werte und andere) arbeiten, gegen die man einen α1-Marker vergleichen wĂŒrde, zeigt der Beitrag Laktatschwelle berechnen: Methoden und Formeln erklĂ€rt.
FAQ
Was ist DFA in der Statistik?
In der Zeitreihenstatistik steht DFA fĂŒr Detrended Fluctuation Analysis, eine Methode zur SchĂ€tzung langreichweitiger Korrelationen und fraktaler Skalierung in Signalen, die nicht stationĂ€r sein mĂŒssen. Dasselbe Akronym wird auch fĂŒr die Diskriminanzfunktionsanalyse verwendet, eine Klassifikationsmethode, die FĂ€lle anhand von PrĂ€diktorvariablen Gruppen zuordnet. Die beiden Methoden sind nicht miteinander verwandt, daher sollten Sie den Kontext prĂŒfen, bevor Sie ein âDFAâ-Ergebnis interpretieren.
Ist ein DFA-α von 1,0 gut oder schlecht?
Keins von beidem fĂŒr sich genommen. α â 1,0 beschreibt Korrelationen vom 1/f-Typ. Ob das zu erwarten ist, hĂ€ngt vom Signal, dem Boxbereich und den Bedingungen ab. Besonders bei Herzfrequenzdaten ist ein einzelner α-Wert keine Gesundheitsbewertung.
Warum ĂŒberschreitet mein DFA-α den Wert 1?
Werte ĂŒber 1 deuten auf nicht-stationĂ€res, random-walk-artiges Verhalten hin. Sie können auch daher kommen, dass eine bereits integrierte Reihe in Code eingespeist wird, der sie erneut integriert, daher sollte man das zuerst ausschlieĂen.
Wie viele Datenpunkte benötigt die Detrended Fluctuation Analysis?
Es gibt keinen einzelnen Grenzwert. Der entscheidende Faktor ist, wie viele Boxen bei Ihrer gröĂten BoxgröĂe hineinpassen. Mit weniger als etwa zehn Boxen am oberen Ende des Bereichs, wie in der 60-bpm-Zeile der obigen Tabelle, wird das obere Ende der Log-Log-Anpassung instabil. VerlĂ€ngern Sie das Fenster oder verengen Sie den Boxbereich.
Kann ich DFA α1 von einem LaktatmessgerÀt erhalten?
Nein. Ein LaktatmessgerĂ€t liefert die Blutlaktatkonzentration pro Probe. α1 benötigt kontinuierliche Schlag-zu-Schlag-RR-Intervalle von einem Herzfrequenzsensor. Beide können im selben Stufentest aufgezeichnet und anschlieĂend verglichen werden, wie im Beitrag Selbsttest-Laktatanalyse online: Messung und Interpretation der Ergebnisse beschrieben, der die Laktatseite dieser Sitzung behandelt.