面向随机多元时间序列的多锥度因果分解：在高频钙成像数据中的应用
神经元与认知
2017-03-17 v1 数据分析、统计与概率
摘要
神经数据分析日益融入因果信息以研究回路连接性。降维构成了大多数大型多元时间序列分析的基础。在此，我们提出一种新的基于多锥度的随机多元时间序列分解方法，该方法作用于所有滞后处的协方差 ，而标准方法仅利用零滞后信息对时间序列 进行分解。在模拟和神经成像实例中，我们证明忽略完整因果结构的方法可能会丢弃时间序列中重要的动力学信息。
引用
@article{arxiv.1703.05414,
title = {A Multitaper, Causal Decomposition for Stochastic, Multivariate Time Series: Application to High-Frequency Calcium Imaging Data},
author = {Andrew T. Sornborger and James D. Lauderdale},
journal= {arXiv preprint arXiv:1703.05414},
year = {2017}
}
备注
This invited paper was presented at the Asilomar 50th Conference on Signals, Systems, and Computers