Dinamika Mood Pada Gangguan Bipolar

Paul J Moore1*, Max A Little2, Patrick E Mcsharry3, Guy M Goodwin4 and John R Geddes4

Abstrak
Berbagai macam suasana hati dalam gangguan bipolar telah menjadi subyek
penelitian karena waktu kejadian sulit untuk dipastikan sampai saat ini. Namun beberapa
penelitian telah membahas subjek dan mengklaim adanya kekacauan deterministik dan
dinamika nonlinier stokastik. Penelitian ini menggunakan data suasana hati dikumpulkan dari
delapan pasien rawat jalan menggunakan sistem telemonitoring. Sifat dinamika suasana hati
dalam gangguan bipolar diselidiki menggunakan teknik data pengganti dan peramalan
nonlinear. Untuk analisis data pengganti, perkiraan kesalahan dan waktu statistic yang
asimetri digunakan. Waktu kejadiannya tidak dapat dibedakan dari pengganti ketika
menggunakan uji statistik nonlinier, juga tidak ada perbaikan dalam kesalahan perkiraan
untuk nonlinear lebih linear forecastingmethods. forecastingmethods sampel nonlinear tidak
memiliki keuntungan lebih dari metode linear di out-of-sampel peramalan untuk time series
sampel secara mingguan. Hasil ini dapat berarti bahwa baik seri asli memiliki linear
dinamika, statistik uji untuk linear membedakan dari perilaku nonlinear tidak memiliki
kekuatan untuk mendeteksi jenis non-linear ini, atau proses ini nonlinear tapi sampling tidak
memadai untuk mewakili dinamika. Kita menyarankan bahwa penelitian lebih lanjut harus
menerapkan teknik yang mirip dengan data yang lebih sering sampel.
Latar Belakang
Perkembangan komunikasi digital dan pengukuran telah menghasilkan set data medis
baru yang dapat digunakan sebagai analisis. Hal ini akan memberikan kesempatan untuk
menganalisis biosignals yang sampai sekarang sulit untuk diukur. Penelitian ini menggunakan
data baru dari waktu depresi yang dicatat dari pasien rawat jalan dengan gangguan bipolar.
Penelitian sebelumnya mengklaim kedua kekacauan deterministik dan non-linear dalam
gangguan bipolar (Gottschalk et al 1995.; Bonsall et al. 2012). Kami menangani klaim yang
terakhir langsung dan mencari bukti non-linear dalam delapan waktu yang dipilih.

Penelitian sebelumnya

Sampai saat ini, sebagian besar analisis dari suasana hati dalam gangguan bipolar
dilakukan secara kualitatif. Data kuantitatif yang mendetail sulit untuk dikumpulkan; individu
yang dieteliti adalah pasien rawat jalan, bervariasi dan heterogen pada studi kohort. Kendala
yang ada dalam mengumpulkan data suasana hati dari pasien dengan gangguan bipolar telah
mempengaruhi jenis penelitian yang telh dipublikasikan. Beberapa peneliti memberikan
modet teoritis yang tidak menggunakan data observasional secara langsung. Daugherty et al.
(2009) mengusulkan Model osilator nonlinear dan menggunakan pendekatan sistem dinamis
untuk menggambarkan perubahan mood dalam gangguan bipolar. Steinacher dan Wright
(2013) juga menggunakan pendekatan dinamik dan menggunakannya untuk model
pengaturan aktivasi perilaku. Dalam hal yang sama, Buckjohn et al. meneliti dinamika dua
osilator nonlinear dan terkait ini untuk interaksi antarpribadi melibatkan pasien dengan
gangguan bipolar. Frank (2013) menggunakan pendekatan osilator nonlinear dan membuat
hubungan antara ini dan pemodelan biokimia dari gangguan tersebut. Ketika data telah
dianalisis, maka secara rinci data telah diambil dari sejumlah kecil pasien IWehr dan
Goodwin 1979) atau lebih banyak data umum dari sejumlah besar pasien (Judd 2002; Judd et
al. 2003). Artikel oleh Wehr dan Goodwin (1979)mengukur suasana hati dalam dua kali
sehari pada lima pasien. Judd et al. (2002; 2003 )mengukur suasana hati pasien setiap
minggu dalam satu tahu ketika muncul gejala. Kekurangan jenis ini pengukuran adalah tidak
memiliki frekuensi dan resolusi untuk waktu analisis.
Peringkat dari kuesioner (Pincus 2003) memiliki umumnya telah diringkas
menggunakan deviasi mean dan standar meskipun langkah-langkah lain telah digunakan.
Pincus (1991) memperkenalkan entropi perkiraan sebagai ukuran time series keteraturan atau
prediktabilitas. Itu diterapkan untuk kedua Data suasana hati umumnya (Yer-Agani et al.
2003) dan suasana hati pada gangguan bipolar (Glenn et al. 2006), di mana 60 hari data
suasana hati dari 45 pasien itu digunakan untuk analisis. Hal itu juga diterapkan di negara
lain. Penelitian untuk membedakan antara pra-episodik dan lainnya negara (Bauer et al.
2011). Ringkasan makalah yang laporan analisis bipolar temporal diberikan dalam Tabel 1.
Klaim dinamika kacau
Gottschalk et al. (1995) menganalisis suasana hati setiap hari dari 7 pasien dengan
gangguan bipolar dan 28 kontrol normal. 7 pasien dengan gangguan bipolar semua memiliki
cepat]Tentu saja bersepeda; yaitu, mereka semua mengalami setidaknya4 episode afektif
dalam 12 bulan sebelumnya. Pasien catatan suasana hati terus setiap hari (kontrol pada

twicedaily sebuah basis) dengan menandai suasana hati pada skala analog setiap malam untuk
mencerminkan suasana hati rata-rata selama sebelumnya 24 jam. peserta yang dipilih
menyimpan catatan untuk jangka waktu 1 sampai 2,5 tahun.
Dari tujuh pasien, enam memiliki dimensi korelasi yang berkumpul pada nilai kurang
dari lima, sedangkan untuk kontrol, konvergensi terjadi tidak lebih rendah dari delapan.
Setara pengganti waktutidak menunjukkan konvergensi dengan dimensi. Dari hasil ini,
penulis menyimpulkan adanya dinamika dimensi yang kacau pada pasien dengan gangguan
bipolar.
Mereka mencatat tidak dapat diandalkan korelasi dimensi sebagai indikator
kekacauan, tetapi dikemukakan hasil yang ada, analisa spektral dan phse space rekonstruksi
untuk menunjukkan perbedaan dari kontrol. Hal ini disanggah oleh Krystal et al. (1998) yang
menunjukkan bahwa perilaku power-law tidak konsisten dengan dinamika kacau. Dalam
jawaban mereka (Gottschalk et al. 1998). Gottschalk et al. menyatakan bahwa spektrum bisa
sama-sama dipasang oleh model eksponensial. Para penulis tidak menyelidiki spektrum
Lyapunov, yang dapat memberikan bukti dinamika kacau. Klaim kekacauan deterministik
beristirahat terutama pada konvergensi dimensi korelasi dan, karena mereka mengakui, ini
bukan definitif (McSharry 2005). Perubahan model mereka untuk kerusakan spektral
melemah karena tidak mendukung atau menolak hal tersebut.
Nonlinear time series
Bonsall dan lainnya (Bonsall et al. 2012) metode metode time series untuk data saat
depresi diri yang dinilai dari pasien dengan gangguan bipolar. Fokus dari studi mereka adalah
stabilitas suasana hati: mereka mencatat bahwa pada saat pengobatan i sering difokuskan
pada pemahaman aspek yang lebih mengganggu gangguan seperti episode mania, dengan
kronisitas dari kminggu ke minggu dari gangguan suasana hati yang dialami oleh pasien
adalah sumber morbiditas yang utama.
Tujuan dari studi mereka adalah menggunakan pendekatan time series untuk
menggambarkan variabilitas suasana hati di dua set pasien, stabil dan tidak stabil, yang
anggotanya diklasifikasikan berdasarkan penilaian klinis. The time series Data diperoleh dari
Departemen Psikiatri di Oxford dan dari 23 pasien dipantau selama 220 minggu. Pasien
dibagi menjadi dua set mood stabil dan tidak stabil berdasarkan evaluasi psikiatri dari periode
6 bulan awal suasana mencetak data.

Subjek penelitian dibagi ke dalam dua kelompok dibuat atas dasar diagram skor
gangguan hati dan analisis statistik non-parametrik yang dijelaskan lebih lanjut (Holmes et al.
2011). Itu Data depresi untuk masing-masing kelompok kemudian dianalisis menggunakan
statistik deskriptif, analisis nilai yang hilang (termasuk tingkat erosi) dan analisis time series.
Analisis time series didasarkan pada penerapan standar dan model threshold
autoregressive 1 dan 2 data depresi untuk setiap pasien. para penulis menyimpulkan bahwa
keberadaan variabilitas suasana hati nonlinear menyarankan berbagai pola deterministik yang
mendasari. Mereka mengutip klaim Gottschalk et al. (1995), meskipun bukan balasan kepada
mereka (Krystal 1998). Mereka menyarankan bahwa perbedaan antara dua model dapat
digunakan untuk menentukan apakah pasien akan menempati stabil atau klinis tidak stabil
selama sakit mereka dan kemampuan untuk mengkarakterisasi variabilitas suasana hati
mungkin menyebabkan inovasi pengobatan.
Diskusi
Penelitian ini memiliki motivasi yang cukup beralasan. Terdapat bukti bahwa gejala
dari gangguan bipolar berfluktuasi lebih lama dan sering pada pasien yang memiliki riwayat
masalah dengan suasana hati antara episode (Judd 2002). Ketika mendekati rangkaian waktu
dengan dinamika yang tidak diketahui, penggunaan model autoregressive adalah titik awal
yang jelas. Namun, terdapat tanda-tanda bahwa model fit kurang dalam distribusi kasus ini.
Distribusi nilai RMSE untuk pasien stabil dilaporkan memiliki rata-rata 5,7 (0,21 ketika
dinormalisasi dengan maksimal nilai skala) dan distribusi untuk pasien yang tidak stabil,
memiliki nilai rata-rata 4.1 (0.15 normalisasi) (Bonsall et al. 2012, data supplement). Lebih
lanjut, kami mencatat bahwa ini adalah kesalahan sampel, bukan kesalahan prediksi yang
diperkirakan oleh out-of-sample forecasting. walaupun demikian, nilainya lebih tinggi
dibandingkan dengan standar deviasi yang dilaporkan (3,4 untuk kelompok stabil dan 6,5
untuk kelompok yang tidak stabil (Bonsall et al. 2012)) menyarankan bahwa rata-rata yang
tidak bisa dikondisikan mungkin model yang lebih baik untuk kelompok stabil.
Alasan dari kekurangan model fit tidak jelas. Faktor kontribusi yang mungkin pada
rangkaian waktu adalah non stasioner : inspeksi visual dari angka ke empat dan lima (bonsall
et al.2012) menunjukkan variasi dalam rata-rata untuk beberapa alur waktu. Untuk
mengurangi non stasioner, tekhnik yang umum untuk membedakan rangkaian waktu seperti
pada model ARIMA, atau untuk mengguunakan tekhnik yang memiliki efek yang sama,
seperti simple exponential smoothing.

Metode
Dalam penelitian ini, kami mencari bukti non-linear menggunakan pengganti linear,
kemudian membandingkan kesalahan prediksi yang diharapkan dari linear dan nonlinear pada
delapan pasien yang dipilih. Data yang dikumpulkan sebagai bagian dari OXTEXT
(http://oxtext.psych.ox ac.uk/). Program yang menyelidiki potensi manfaat dari mood selfmonitoring untuk orang dengan gangguan bipolar. OXTEXT menggunakan True-Colours
(https://truecolours nhs.uk/www/) sistem manajemen diri untuk pemantauan suasana hati
yang awalnya dikembangkan untuk memantau pasien rawat jalan dengan gangguan bipolar.
Setiap minggu, pasien mengisi kuesioner dan mengembalikan hasilnya sebagai urutan digit
melalui pesan teks atau email. Hasil rangkaian waktu dari tingkat suasana hati yang
divisualisasikan sebagai grafik colour-coded untuk digunakan pasien rawat jalan. Informasi
ini digunakan baik oleh dokter untuk memilih intervensi yang tepat dan oleh pasien sendiri
untuk manajemen kondisi mereka. sistem pemantauan suasana hati Oxford telah
menghasilkan database besar rangkaian suasana hati yang telah digunakan untuk mempelajari
longitudinal gangguan bipolar (Bopp et al. 2010) dan untuk pendekatan nonlinier
menunjukkan suasana hati oleh Bonsall et al. (2012). Data dalam penelitian ini menggunakan
teknik telemonitoring yang sama dan skala penilaian yang sama (Bonsall et al. 2012), tetapi
penelitian yang dinyatakan independen.
Pekerjaan yang dilaporkan di sini telah dilakukan sesuai dengan Deklarasi Helsinki
tahun 1975, sebagaimana telah diubah pada tahun 2004, dan telah disetujui oleh the local
Research Ethics Committee ref: 10/H0604/13.
Data
Data yang digunakan dalam penelitian ini berasal dari delapan pasien dengan
gangguan bipolar, dimana keadaan suasana hati dipantau selama 5 tahun. Data suasana hati
dikembalikan setiap minggu dan terdiri dari jawaban standar kuesioner self-rating untuk
depresi dan mania. Kami membatasi investigasi untuk data depresi yang lebih menyetujui
untuk analisis dari mania: untuk beberapa pasien, skor mania berada di atau dekat nol untuk
periode pemantauan. Skala yang digunakan untuk depresi adalah Quick Inventory of
Depressive Symptomatology - Self Report (QIDS-SR16) (Rush et al. 2000) yang meliputi
sembilan domain gejala depresi (DSM-IV-TR) (American Psychiatric Association 2000).
skala ini telah dievaluasi untuk sifat psikometrik dan ditemukan memiliki validitas yang

tinggi (Rush 2003). Setiap domain dapat berkontribusi hingga 3 poin dari 27 poin yang
mungkin pada skala. Rincian dari proses seleksi diberikan dalam file tambahan 1: Bagian I
dan alur dari rangkaian waktu yang diperlihatkan pada Gambar 1.

Statistik Deskriptif
Kualitas statistik dari 8 pasien dalam penelitian ini ditunjukkan pada Tabel 2 , yang
mencakup perbandingan dengan set yang lebih besar dari 93 pasien dengan subset yang
dipilih. Pasien yang dipilih menggunakan kriteria sebagai berikut : (1) minimal panjang
rangkaian waktu dari 100 peringkat ( hanya yang pertama dari 100 peringkat yang digunakan
dalam analisis), (2) kurang dari 5 peringkat yang hilang pada rangkaian waktu (3)
stasioneritas, diukur dengan menggabungkan distribusi peringkat antara bagian pertama dan
kedua pada rangkaian waktu. Diagnostis subtipe ( bipolar I , bipolar II , bipolar NOS ) yang
tersedia hanya untuk

beberapa peserta. Depresi pada setiap pasien adalah rangkuman

pertama yang dirata-ratakan, dan berbagai median / interkuartil untuk mean ditampilkan
untuk setiap set pasien .

Analisis data pengganti

Tujuan dari bagian ini adalah untuk memeriksa bukti dari dinamika nonlinier dalam
tes rangkaian suasana hati. Pertama, data yang diperiksa untuk hubungan struktur : jika suatu
rangkaian waktu tidak memiliki hubungan, maka perkiraan asli tidak dapat dibuat darinya.
Pendekatan empirik untuk analisis ini adalah metode data pengganti ( Lu 2004; Kantz and
Schreiber 2004). Untuk menguji struktur hubungan, kita mengubah urutan seri asli beberapa
kali untuk mendapatkan satu set pengganti dengan seri yang memilki amplitudo yang sama
tapi dari proses yang berbeda.

Sebuah uji statistik kemudian diterapkan pada yang asli dan pengganti kemudian
hasilnya ditampilkan secara grafis untuk melihat apakah ada perbedaan. Untuk hipotesis nol
dari white noise, kita menggunakan autokorelasi berbagai uji terdahulu sebagai uji statistik.
Selanjutnya, kita mempertimbangkan hipotesis nol dari linear Model stokastik dengan input
Gaussian. Jika ini tidak dapat tidak ditolak, maka ada pertanyaan atas penggunaan lebih
kompleks, model nonlinear untuk peramalan. Untuk analisis ini, data pengganti harus
mengkorelasikan angka acak dengan spektrum daya yang sama dengan data asli. Properti
data ini memiliki amplitudo yang sama sebagai data asli tapi dalam fase yang berbeda.
Amplitude adjusted Fourier transform (AAFT) pengganti (Kantz dan Schreiber 2004)
memiliki spektrum daya yang sedikit berbeda dari serial aslinya karena untransformed asli
Proses linear harus diperkirakan. Untuk membuat pengganti lebih sesuai/mirip dengan
spektrum asli, kita menggunakan AAFT (CAAFT) pengganti (Kugiumtzis 2000).

Hasil
pertama-tama kami meneliti sampel fungsi autokorelasi untuk delapan kali seri dan
membandingkannya dengan pengganti yang memiliki distribusi yang sama. Gambar 2
menunjukkan hasil, dengan ACF sampel ditampilkan untuk uji terdahulu 1 sampai 6. Tujuh
dari delapan seri waktu yang berbeda dari pengganti, menunjukkan bahwa mereka memiliki
beberapa korelasi serial. Seri waktu di panel kiri atas Gambar 2 tidak dapat dibedakan dari
permutasi dan dengan demikian tidak cocok untuk tujuan peramalan. Kami menjaga seri ini
pada set percobaan untuk memberikan kontras kepada seri yang berbeda.

Pengujian Untuk non linear

Gmbar 3 menunjukkan autokorelasi pengganti CAAFT dibandingkan dengan kedelapan seri
asli yang

digunakan dalam penelitian ini. MATLAB merupakan perangkat lunak yang

berhubungan dengannya (Kugiumtzis 2000) digunakan untuk menghasilkan pengganti

CAAFT.

Hal

ini

dapat

membuktikan

bahwa

mereka

mereproduksi

autokorelasi asli yang baik dalam banyak kasus meskipun di panel kanan bawah terdapat bias
yang menurun. Kami selanjutnya membandingkan rasio linear dengan insample nonlinear
untuk menilai kesalahan perkiraan untuk yang asli dan pengganti. Jika terdapat non-linear
yang muncul, maka diharapkan metode nonlinear menunjukkan perbaikan atas . Metode
linear yang digunakan adalah persistence, dan metode nonlinear adalah method is a zeroorder nearest-neighbor method yang dijelaskan dalam file tambahan 1: Bagian II dan
diimplementasikan dalam fungsi TISEAN lzo-run (Hegger et al. 1999). Gambar 4
menunjukkan hasil yang ditampilkan sebagai histogram, dengan rasio kesalahan untuk seri
asli ditampilkan sebagai garis gelap. Tidak satu pun dari time series asli yang memberikan
gambaran pada nonlinear. Histogram di kanan bawah angka menunjukkan bahwa
time series lebih baik diprediksi dengan metode linear. Ini adalah hasil dari korelasi rata-rata
yang lebih rendah di antara seri pengganti untuk seri kali ini, yang ditunjukkan pada Gambar
3. Akhirnya, kita dapat membandingkan waktu asli dan pengganti menggunakan waktu
pembalikan asimetri statistik. Asimetri dari seri saat terbalik dalam waktu dapat menjadi
tanda tangan non-linear (Theiler et al. 1992). Pengukuran reversibilitas waktu adalah rasio
dari mean cubed ke mean square dengan persamaan

Dibagian ini kami memberlakukan kedua linier dan non linier memperkirakan metode
untuk data dalam rangka untuk membandingkan akurasi metode yang berbeda. Dengan cara

ini, kami bertujuan untuk mendapatkan beberapa wawasan dinamika yang menghasilkan
proses dan untuk mengevaluasi perkiraan metode untuk aplikasi ini. Kami menemukan
beberapa perbedaan kesimpulan metode dari linier dan non linier yang mempunyai rincian
tambahan pada file 1 bagian 2.
Dalam tabel yang ketiga menunjukkan sampel yang tidak sesuai dari hasil perkiraan
yang menggunakan metode linier dan non linier waktu bersamaan. Metode yang digunakan
adalah persistence PST, simple exponential smoothing SES, autoregression AR1 dan AR2,
Gaussian process regresion MAT2, locally constant prediction LCP dan local linear
prediction LLP. Ada sedikit perbedaan dalam perbandingan antara kesimpulan-kesimpulan
metode . jarak kesalahan diantara metode yang paling dan kurang akurat pada metode adalah
kurang dari 0,5 dari unit penilaian. A Deibold-Mariono test (Diebold and Mariano 2002)
menunjukkan bahwa setengan dari pasien telah melebihi prediksi akurasi kesimpulan dari
ketekunan. Penuh rincian tes dan hasil yang diberikan di file tambahan.
Diskusi
Hasil ini menunjukkan bahwa delapan depresi teme series yang digunakan dalam penelitian
ini tidak dapat di bedakan dari telinga pengganti lin mereka menggunakan nonlinear dan
linear metoda dalam sampel kedepan pengecoran. Hasil ini kontras dengan klain di Bonsall et
al.(2012) yang mingguan time series dari pasien dengan gangguan bipolar dijelaskan lebih
baik dengan nonlinear dari proses linear. Bisa perbedaan antara studi menjadi hasil seleksi:
yaitu, bahwa bonsall et al. Penelitian cenderung untuk memilih seri nonlinear sementara
penelitian ini dipilih seri linear. Sebuah kertas sebelumnya (moore at al 2012) melaporkan
kesalahan prediksi untuk 100 pasien dari skema monitoring yang sama yang digunakan oleh
kedua Bonsall et dan penelitian ini. Untuk 100 pasien, kisaran interkuartil kesalahan prediksi
(SES) adalah antara 2 dan 4 diunit dari skala penilaian QIDS. Hal ini dapat dilihat bahwa
sebagian besar Hasil dari Tabel tersebut.

Lebih lanjut, median RMSE nilai perkiraan lebih dari 100 pasien 2.7 (0.1 nol malised)

dan kesalahan median pada Tabel 2.65 (0.1), kesalahan perkiraan median dalam
Bonsall et al. dilaporkan sebagai 5,7 (0,21) untuk kelompok yang stabil dan 4,1 (0,15) untuk
kelompok yang tidak stabil (Bonsall et ai) 12, suplemen Data). Kami mencatat bahwa
kumpulan data yang digunakan dalam penelitian ini mungkin tidak secara langsung
sebanding dengan yang digunakan oleh Bonsall et ai.: misalnya, waktu scries panjang tidak
mungkin sama di setiap set. Namun, (atau alasan yang diberikan di awal tulisan ini, kami
menyarankan bahwa kesalahan prediksi tinggi di Bonsall et al. Timbul dari analisis daripada
pemilihan time series. Pertanyaannyatetap seperti apa jenis stochastic prosess terbaik
menggambarkan data mingguan. Kinerja relatif lebih baik dari metode linear menunjukkan
proses autoregressive-order rendah atau random walk ditambah noise Model (Chatfield,
S2.5.5), yang sederhana pemulusan eksponensial adalah optimal (Chatfield, S4.3.1). Namun,
identifikasi dinamika sistem, yang mungkin tinggi dimensi dan termasuk pengaruh
lingkungan yang tidak teramati akan sulit menggunakan data yang tersedia.

Keterbatasan

Sampel dari 8 pasien kecil dibandingkan dengan set mulai dari 93 pasien. Alasan
untuk ukuran sampel yang kecil adalah bahwa pasien harus kembali setidaknya 100 peringkat
dengan kurang dari 5 nilai-nilai yang hilang, dan waktu series harus stasioner: kendala ini
tidak dapat dengan mudah santai tanpa mengorbankan analisis. Namun, sampel kecil
membatasi seberapa jauh setiap kesimpulan umum tentang dinamika suasana hati dalam
gangguan bipolar. Batas lain adalah penggunaan data mingguan: jika suasana hati yang
berbeda-beda selama hari, maka informasi tentang dinamik suasana hilang. Sejak suasana
telemonitoring adalah teknik yang relatif baru, yang bergantung pada tindakan oleh pasien,
mungkin adajuga menjadi masalah yang berhubungan dengan data yang hilang atau hilang.
Misalnya, Moore et al. Menemukan bahwa keseragaman respon berkorelasi negatif dengan
standar deviasi dari peringkat tidur. Temuan ini mengungkapkan bias seleksi potensial dalam
penelitian ini karena delapan pasien yang dipilih untuk memiliki lebih sedikit dari lima nilai
yang hilang, yang menyiratkan keseragaman tinggi respon. Jadi pasien yang dipilih akan
semua memiliki standar deviasi yang relatif rendah tidur tikus-temuan dibandingkan dengan
sampel yang lebih besar, namun efeknya, jika ada, hasil tidak diketahui. Akhirnya, kurangnya
data kontrol pada individu tanpa gangguan bipolar berarti bahwa hasil tidak dapat digunakan
untuk menemukan ciri khas dari suasana hati di gangguan.
Kesimpulan
Kami telah menemukan bahwa waktu depresi series tidak dapat dibedakan dari
pengganti mereka yang dihasilkan dari proses linear ketika membandingkan statistiktes
masing-masing. Hasil ini dapat berarti bahwa baik (1) seri asli memiliki dinamika yang
linear, (2) uji statistik untuk linear dari Perilaku nonlinear tidak memiliki kekuatan untuk
mendeteksi jenis non-linear hadir atau (3) proses ini nonlinier tapi sampling tidak memadai
atau time series terlalu pendek untuk mewakili dinamis. Hal ini pasti yang hipotesis adalah
lebih disukai, tetapi akan bermanfaat mengulangi analisis pada lagi, data yang lebih sering
sampel. Kami mencatat bahwa sampel delapan pasien kecil, yang membatasi seberapa jauh
setiap kesimpulan umum tentang dinamika suasana hati dalam gangguan bipolar. Pada bukti
saat ini, meskipun, tidak ada alasan untuk mengklaim untuk non-linear dalam mood time
series yang kami diperiksa.