論文の概要: FuzzCoh: Robust Canonical Coherence-Based Fuzzy Clustering of Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2506.22861v1
• Date: Sat, 28 Jun 2025 12:02:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.607134
• Title: FuzzCoh: Robust Canonical Coherence-Based Fuzzy Clustering of Multivariate Time Series
• Title（参考訳）: FuzzCoh: 多変量時系列のロバストカノニカルコヒーレンスに基づくファジィクラスタリング
• Authors: Ziling Ma, Mara Sherlin Talento, Ying Sun, Hernando Ombao,
• Abstract要約: 我々はスペクトル領域における堅牢なファジィクラスタリングフレームワークを開発した。 本手法は,周波数依存構造と脳機能接続を探索することにより,スペクトル特性と空間特性の両方を捉える。 神経科学、ウェアラブルセンシング、環境モニタリング、ファイナンスといった分野に広く応用されている。
• 参考スコア（独自算出の注目度）: 9.26836354544588
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain cognitive and sensory functions are often associated with electrophysiological activity at specific frequency bands. Clustering multivariate time series (MTS) data like EEGs is important for understanding brain functions but challenging due to complex non-stationary cross-dependencies, gradual transitions between cognitive states, noisy measurements, and ambiguous cluster boundaries. To address these issues, we develop a robust fuzzy clustering framework in the spectral domain. Our method leverages Kendall's tau-based canonical coherence, which extracts meaningful frequency-specific monotonic relationships between groups of channels or regions. KenCoh effectively captures dominant coherence structures while remaining robust against outliers and noise, making it suitable for real EEG datasets that typically contain artifacts. Our method first projects each MTS object onto vectors derived from the KenCoh estimates (i.e, canonical directions), which capture relevant information on the connectivity structure of oscillatory signals in predefined frequency bands. These spectral features are utilized to determine clusters of epochs using a fuzzy partitioning strategy, accommodating gradual transitions and overlapping class structure. Lastly, we demonstrate the effectiveness of our approach to EEG data where latent cognitive states such as alertness and drowsiness exhibit frequency-specific dynamics and ambiguity. Our method captures both spectral and spatial features by locating the frequency-dependent structure and brain functional connectivity. Built on the KenCoh framework for fuzzy clustering, it handles the complexity of high-dimensional time series data and is broadly applicable to domains such as neuroscience, wearable sensing, environmental monitoring, and finance.
• Abstract（参考訳）: 脳の認知機能と感覚機能は、しばしば特定の周波数帯における電気生理学的活動と関連している。 脳波のような多変量時系列(MTS)データのクラスタリングは、脳機能を理解する上で重要であるが、複雑な非定常的相互依存性、認知状態間の段階的遷移、ノイズ測定、曖昧なクラスタ境界のために困難である。 これらの問題に対処するため、スペクトル領域における堅牢なファジィクラスタリングフレームワークを開発した。 本手法は,Kendallのタウに基づく標準コヒーレンスを利用して,チャネル群や領域間の有意義な周波数特異的モノトニック関係を抽出する。 KenCohは、アウトレーヤやノイズに対して堅牢でありながら、支配的なコヒーレンス構造を効果的にキャプチャし、アーティファクトを含む実際のEEGデータセットに適している。 提案手法はまず,KenCoh推定値(正準方向)から導かれるベクトルに各MSSオブジェクトを投影し,予め定義された周波数帯域における発振信号の接続構造に関する関連情報をキャプチャする。 これらのスペクトル特徴は、ファジィパーティショニング戦略、漸進的な遷移の調整、重なり合うクラス構造を用いて、エポックのクラスターを決定するために利用される。 最後に,警告や眠気などの潜在認知状態が周波数特性やあいまいさを示す脳波データに対するアプローチの有効性を示す。 本手法は,周波数依存構造と脳機能接続を探索することにより,スペクトル特性と空間特性の両方を捉える。 ファジィクラスタリングのためのKenCohフレームワーク上に構築されており、高次元時系列データの複雑さを処理し、神経科学、ウェアラブルセンシング、環境モニタリング、ファイナンスといった分野に広く適用することができる。

関連論文リスト

• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [55.09326865401653]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
  本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。 提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T12:02:47Z)
• MCDGLN: Masked Connection-based Dynamic Graph Learning Network for Autism Spectrum Disorder [22.868178383662823]
  我々はMasked Connection-based Dynamic Graph Learning Network (MCDGLN)を紹介する。 提案手法はまず,スライディング時間窓を用いてBOLD信号を分割し,脳のダイナミックな特徴を捉える。 タスク固有のマスクを用いて静的機能接続を洗練し、ノイズを低減し、無関係リンクを切断する。
  論文  参考訳（メタデータ） (2024-09-10T02:21:29Z)
• FOCAL: Contrastive Learning for Multimodal Time-Series Sensing Signals in Factorized Orthogonal Latent Space [7.324708513042455]
  本稿では,マルチモーダル時系列センシング信号から包括的特徴を抽出する,FOCALと呼ばれる新しいコントラスト学習フレームワークを提案する。 ダウンストリームタスクにおける最先端のベースラインを、明確なマージンで一貫して上回る。
  論文  参考訳（メタデータ） (2023-10-30T22:55:29Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Spatio-temporally separable non-linear latent factor learning: an application to somatomotor cortex fMRI data [0.0]
  潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。 空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。 本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
  論文  参考訳（メタデータ） (2022-05-26T21:30:22Z)
• Functional Parcellation of fMRI data using multistage k-means clustering [0.9786690381850356]
  クラスタリングはしばしば機能的パーセレーションを生成するために使われる。 本研究では,静止状態とタスクfMRIデータに対するクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-19T20:30:02Z)
• Learning shared neural manifolds from multi-subject FMRI data [13.093635609349874]
  MRMD-AEmaniと呼ばれる,複数の被験者から共通の埋め込みを実験で学習するニューラルネットワークを提案する。 学習した共通空間は、テンポラル多様体(トレーニング中に見えない新しい点をマッピングできる)を表し、目に見えない時間点の刺激特徴の分類を改善する。 このフレームワークは、将来的には脳-コンピュータインタフェース(BCI)トレーニングなど、多くのダウンストリームアプリケーションに応用できると考えています。
  論文  参考訳（メタデータ） (2021-12-22T23:08:39Z)

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。