非参数集体谱密度估计及其在脑信号聚类中的应用
统计方法学
2017-10-24 v3
摘要
本文中，我们开发了一种用于同时估计一组具有某些共同特征的平稳时间序列的谱密度函数(SDFs)的方法。由于 SDFs 之间的相似性，log-SDF 可使用一组公共基函数表示。这些 log-SDFs 集合共享的基被估计为由预指定的丰富基张成的大空间中的低维流形。一种集体估计方法汇集信息并借用跨 SDFs 的强度以实现更好的估计效率。此外，每个估计的谱密度使用基展开的系数有简洁表示，这些系数可用于可视化、聚类和分类目的。采用 Whittle 伪最大似然方法来拟合模型，并开发了交替分块牛顿型算法用于计算。开发了一个基于 web 的 shiny 应用程序（位于 "https://ncsde.shinyapps.io/NCSDE"），用于使用所提技术集体可视化、训练和学习 SDFs。最后，我们将方法应用于聚类由脑电图记录的相似脑信号，以根据其谱密度识别同步脑区。
引用
@article{arxiv.1704.03907,
title = {Nonparametric collective spectral density estimation with an application to clustering the brain signals},
author = {Mehdi Maadooliat and Ying Sun and Tianbo Chen},
journal= {arXiv preprint arXiv:1704.03907},
year = {2017}
}
备注
26 pages, 6 figures