論文の概要: Robust Spectral Fuzzy Clustering of Multivariate Time Series with Applications to Electroencephalogram
- arxiv url: http://arxiv.org/abs/2506.22861v2
- Date: Fri, 31 Oct 2025 10:03:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-03 15:46:17.345953
- Title: Robust Spectral Fuzzy Clustering of Multivariate Time Series with Applications to Electroencephalogram
- Title（参考訳）: 多変量時系列のロバストスペクトルファジィクラスタリングと脳波への応用
- Authors: Ziling Ma, Mara Sherlin Talento, Ying Sun, Hernando Ombao,
- Abstract要約: スペクトル領域にファジィクラスタリングフレームワークを導入し、変数間の周波数特異なモノトニックな関係を抽出する。
本手法は、クラスタリング精度を向上させるために、周波数ベースのクロスリージョン接続パターンを優先的に活用する。
フラッグシップアプリケーションとして脳波記録を解析し,潜在認知状態の周波数・接続性特異的マーカーを明らかにする。
- 参考スコア（独自算出の注目度）: 6.62414474989199
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clustering multivariate time series (MTS) is challenging due to non-stationary cross-dependencies, noise contamination, and gradual or overlapping state boundaries. We introduce a robust fuzzy clustering framework in the spectral domain that leverages Kendall's tau-based canonical coherence to extract frequency-specific monotonic relationships across variables. Our method takes advantage of dominant frequency-based cross-regional connectivity patterns to improve clustering accuracy while remaining resilient to outliers, making the approach broadly applicable to noisy, high-dimensional MTS. Each series is projected onto vectors generated from a spectral matrix specifically tailored to capture the underlying fuzzy partitions. Numerical experiments demonstrate the superiority of our framework over existing methods. As a flagship application, we analyze electroencephalogram recordings, where our approach uncovers frequency- and connectivity-specific markers of latent cognitive states such as alertness and drowsiness, revealing discriminative patterns and ambiguous transitions.
- Abstract（参考訳）: クラスタリング多変量時系列(MTS)は、非定常的相互依存性、ノイズ汚染、段階的あるいは重なり合う状態境界のために困難である。
我々は、Kendallのタウに基づく標準コヒーレンスを利用して、変数間の周波数特異的なモノトニック関係を抽出するスペクトル領域に頑健なファジィクラスタリングフレームワークを導入する。
提案手法は, ノイズの多い高次元MTSに広く適用可能な, 耐外乱性を維持しつつ, クラスタリング精度を向上させるために, 支配周波数ベースのクロスリージョン接続パターンを利用する。
各系列は、基礎となるファジィ分割を捉えるために特別に調整されたスペクトル行列から生成されるベクトルに投影される。
従来の手法よりもフレームワークの方が優れていることを示す数値実験を行った。
本研究は,脳波記録のフラッグシップアプリケーションとして,警告や眠気といった潜在認知状態の周波数・接続性に特有なマーカーを明らかにし,識別パターンとあいまいな遷移を明らかにした。
関連論文リスト
- KFS: KAN based adaptive Frequency Selection learning architecture for long term time series forecasting [8.839783121363835]
そこで我々は,これらの課題に対処するために,KAを用いた適応周波数選択学習アーキテクチャ(KFS)を提案する。
このフレームワークは、クロススケールノイズ干渉と複雑なパターンモデリングから生じる予測問題に対処する。
複数の実世界の時系列データセットにまたがる実験により、KTは単純で効果的なアーキテクチャとして最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2025-08-01T13:50:57Z) - Learning Representations of Event Time Series with Sparse Autoencoders for Anomaly Detection, Similarity Search, and Unsupervised Classification [0.0]
イベント時系列は、不規則な時間間隔で発生する離散イベントのシーケンスである。
これらは高エネルギー天体物理学、計算社会科学、サイバーセキュリティ、金融、医療、神経科学、地震学などの領域でよく見られる。
本稿では,イベント時系列の2次元および3次元テンソル表現と,物理的に意味のある潜在表現を学習するスパースオートエンコーダを提案する。
論文 参考訳（メタデータ） (2025-07-15T18:01:03Z) - 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) - MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
時系列予測は、周波数の異なる周期特性から導かれる。
マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。
主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2025-03-11T11:40:14Z) - 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) - SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。
近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。
近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文 参考訳（メタデータ） (2022-03-31T02:45:24Z) - 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。