多通道脑信号的规范尾依赖性软极端聚类
机器学习
2025-12-09 v1 机器学习
摘要
我们发展了一种新型的表征方法，用于刻画当脑区信号显示极大�幅时，其间的极端依赖性。我们表明，分布尾部的连接性揭示了极端事件（如癫痫发作）的独特特征，有助于识别其发生。大量研究已表明，基于连接性的特征对于判别脑状态具有有效性。本研究证明了所提方法的优势：尾部连接性提供了额外的判别能力，使对极端事件的识别更准确，改进癫痫风险管理。常见的尾部依赖性建模方法使用成对摘要度量或参数模型，但这些方法无法识别驱动两个信号组之间最大尾部依赖性的通道——这一信息在分析癫痫患者的脑电图时非常有用，因为特定通道负责癫痫发作。熟悉的信号处理方法是典型相关，我们将其扩展至尾部，以开发脑区贡献的极端可视化。通过尾部成对依赖矩阵（TPDM），我们开发了一个计算高效的规范尾依赖性估计器。随后，我们将该方法用于新生儿的基于频率的软聚类，区分有癫痫和无癫痫的个体。
引用
@article{arxiv.2512.06435,
title = {Canonical Tail Dependence for Soft Extremal Clustering of Multichannel Brain Signals},
author = {Mara Sherlin Talento and Jordan Richards and Raphael Huser and Hernando Ombao},
journal= {arXiv preprint arXiv:2512.06435},
year = {2025}
}