論文の概要: Time delay multi-feature correlation analysis to extract subtle
dependencies from EEG signals
- arxiv url: http://arxiv.org/abs/2305.09478v1
- Date: Mon, 24 Apr 2023 11:10:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-21 11:05:22.272065
- Title: Time delay multi-feature correlation analysis to extract subtle
dependencies from EEG signals
- Title（参考訳）: 脳波信号からの微妙な依存関係抽出のための時間遅延多機能相関解析
- Authors: Jarek Duda
- Abstract要約: 脳波信号は、非常に複雑な脳活動の結果である。
隠れ力学のいくつかの詳細は、例えば、結合分布$rho_Delta t$のような様々な時間遅延によってシフトした電極対の信号を通してアクセスすることができる(lag $Delta trho)。
本稿では,そのような依存関係を自動的に分解して抽出する手法を提案する。
てんかんのダイナミクスの理解、てんかんなどの病態の診断、正確な電極位置の決定、脳とコンピュータのインターフェースの構築などに役立つかもしれない。
- 参考スコア（独自算出の注目度）: 0.8702432681310399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalography (EEG) signals are resultants of extremely complex
brain activity. Some details of this hidden dynamics might be accessible
through e.g. joint distributions $\rho_{\Delta t}$ of signals of pairs of
electrodes shifted by various time delays (lag $\Delta t$). A standard approach
is monitoring a single evaluation of such joint distributions, like Pearson
correlation (or mutual information), which turns out relatively uninteresting -
as expected, there is usually a small peak for zero delay and nearly symmetric
drop with delay. In contrast, such a complex signal might be composed of
multiple types of statistical dependencies - this article proposes approach to
automatically decompose and extract them. Specifically, we model such joint
distributions as polynomials estimated for all considered lag dependencies,
then with PCA dimensionality reduction find dominant dependency directions
$f_v$. This way we get a few lag dependent features $a_i(\Delta t)$ describing
separate dominating statistical dependencies of known contributions:
$\rho_{\Delta t}(y,z)\approx \sum_{i=1}^r a_i(\Delta t)\, f_{v_i}(y,z)$. Such
features complement Pearson correlation, extracting hidden more complex
behavior, e.g. with asymmetry which might be related with direction of
information transfer, extrema suggesting characteristic delays, or oscillatory
behavior suggesting some periodicity. While this early article is initial
fundamental research, in future it might help e.g. with understanding of cortex
hidden dynamics, diagnosis of pathologies like epilepsy, determination of
precise electrode position, or building brain-computer interface.
- Abstract（参考訳）: 脳波(EEG)信号は、非常に複雑な脳活動の結果である。
この隠れた力学のいくつかの詳細は、例えば結合分布$\rho_{\Delta t}$のような様々な時間遅延によってシフトした電極対の信号を通してアクセスすることができる(lag $\Delta t$)。
標準的なアプローチでは、ピアソン相関(あるいは相互情報)のような単一のジョイント分布の評価を監視しており、これは比較的興味を示さない結果となり、通常はゼロ遅延とほぼ対称な遅延のピークがある。
対照的に、そのような複雑な信号は、複数の種類の統計的依存関係で構成されているかもしれない。
具体的には,すべてのラグ依存を推定する多項式として,そのような関節分布をモデル化し,PCA次元の縮小により支配的な依存方向を$f_v$とする。
このようにして、いくつかの遅延依存機能が得られる: $a_i(\delta t)$ 既知の貢献の独立した支配的統計依存性: $\rho_{\delta t}(y,z)\approx \sum_{i=1}^r a_i(\delta t)\, f_{v_i}(y,z)$。
このような特徴はピアソンの相関を補完し、例えば情報伝達の方向に関連する非対称性、特性遅延を示唆するエクストリーム、周期性を示す発振挙動などの隠れた複雑な振る舞いを抽出する。
この初期の論文は初期の基礎研究であるが、将来は皮質の隠れたダイナミクスの理解、てんかんのような病理の診断、正確な電極位置の決定、脳-コンピューターインターフェイスの構築などに役立つかもしれない。
関連論文リスト
- High-dimensional optimization for multi-spiked tensor PCA [8.435118770300999]
本研究では,2つの局所最適化アルゴリズム,オンライン勾配勾配(SGD)と勾配流のダイナミクスについて検討する。
勾配流の場合、第1のスパイクを効率的に回収するアルゴリズムしきい値も$Np-2$である。
この結果は, 推定器とスパイクの相関関係を記述した低次元系の詳細な解析によって得られた。
論文 参考訳（メタデータ） (2024-08-12T12:09:25Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳（メタデータ） (2023-07-17T11:04:27Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - Universality in Anderson localization on random graphs with varying
connectivity [0.0]
W_E$の値を超える非エルゴディック領域があることが示される。
W_C$とは別の$W_E$は存在しないが、完全に発達したエルゴディディディティが$|W-W_C|-1$のように分岐する長さスケールが見つかる。
臨界点におけるこれらの2つのスケールの分離は、真の非エルゴード非局所化領域を可能にする。
論文 参考訳（メタデータ） (2022-05-29T09:47:39Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。
このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。
我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
論文 参考訳（メタデータ） (2021-10-26T08:54:41Z) - Acceleration in Distributed Optimization Under Similarity [72.54787082152278]
集中ノードを持たないエージェントネットワーク上での分散(強い凸)最適化問題について検討する。
$varepsilon$-solutionは$tildemathcalrhoObig(sqrtfracbeta/mu (1-)log1/varepsilonbig)$通信ステップ数で達成される。
この速度は、関心のクラスに適用される分散ゴシップ-アルゴリズムの、初めて(ポリログ因子まで)より低い複雑性の通信境界と一致する。
論文 参考訳（メタデータ） (2021-10-24T04:03:00Z) - Hankel-structured Tensor Robust PCA for Multivariate Traffic Time Series
Anomaly Detection [9.067182100565695]
本研究では,空間データにおける異常検出のためのRPCAのハンケル構造テンソルバージョンを提案する。
劣化した行列を低ランクのハンケルテンソルとスパース行列に分解する。
本手法は, 合成データと乗客フロー時系列を用いて評価する。
論文 参考訳（メタデータ） (2021-10-08T19:35:39Z) - Minimax Estimation of Partially-Observed Vector AutoRegressions [0.0]
部分観測状態空間モデルの特性について検討する。
ダンツィヒセレクタに基づくスパース推定器と,その非漸近誤差の上限について述べる。
鉄道データ公開への応用は、公共交通機関の交通分析におけるこのモデルの有効性を浮き彫りにする。
論文 参考訳（メタデータ） (2021-06-17T08:46:53Z) - Theory inspired deep network for instantaneous-frequency extraction and
signal components recovery from discrete blind-source data [1.6758573326215689]
本稿では、未知の信号成分を回収する逆問題と周波数の抽出について考察する。
既存の分解法やアルゴリズムでは、この逆問題を解くことはできない。
本稿では、ブラインドソース信号の非一様サンプリングが可能な離散サンプルセットを直接ベースとしたディープニューラルネットワークの合成を提案する。
論文 参考訳（メタデータ） (2020-01-31T18:54:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。