一种用于从时空信号进行推断的层次化图信号处理方法
信号处理
2020-10-28 v1 机器学习
应用统计
摘要
受图信号处理（GSP）这一新兴领域的启发，我们引入一种从时空信号进行推断的新方法。在不同位置随时间采集数据在传感器网络中十分常见，应用广泛，从无线网络的物体追踪到脑电图（EEG）信号处理等医学用途。在本文中，我们利用 GSP 的新技术，通过将数据映射到一系列时空图上，发展出一种层次化特征提取方法。此类模型将信号映射到图的顶点上，信号间的时间-空间依赖由边权重建模。来自不同位置与时间获取的信号分量常具有复杂函数依赖。相应地，其对应的图权重从数据中学习并用于两方面：首先，它们作为与图拓扑相关的嵌入的一部分，例如密度；其次，它们提供基础图的连通性以提取更高层次的基于 GSP 的特征，后者包括信号图傅里叶变换在不同频带的能量。我们在 Kaggle 癫痫发作检测竞赛的颅内 EEG（iEEG）数据集上测试了我们的方法。与获胜代码相比，结果显示总体有轻微净提升，且在按受试者分析中提升高达 6%，而特征数量平均减少了 75%。
引用
@article{arxiv.2010.13164,
title = {A Hierarchical Graph Signal Processing Approach to Inference from Spatiotemporal Signals},
author = {Nafiseh Ghoroghchian and Stark C. Draper and Roman Genov},
journal= {arXiv preprint arXiv:2010.13164},
year = {2020}
}