评估时间序列相关性显著性:一个参数方法,适用于生理信号
Johan Medrano1, Abderrahmane Kheddar2,3, Sofiane Ramdani3
1The Wellcome Centre for Human Neuroimaging, UCL Queen Square Institute of Neurology, London, WC1N 3AR, UK.
Biomedical signal processing and control
|January 23, 2025
概括
这项研究引入了一种新的方法,用于准确评估时间序列数据中相关性的统计学意义. 该方法简化了有效样本大小 (ESS) 的计算,改善了对时间依赖性的假设测试.
科学领域:
- 统计 统计 统计 统计
- 时间序列分析时间序列分析
- 信号处理 信号处理
背景情况:
- 相关系数对于分析变量之间的关系至关重要.
- 时间序列数据中的时间依赖性对传统的相关性分析构成重大挑战.
- 现有的方法通常依赖于有效自由度 (或有效样本大小,ESS) 的概念,估计可能是复杂的.
研究的目的:
- 开发一种新的,计算效率高的方法来估计时间序列数据中相关系数的统计意义.
- 解决处理时间依赖的传统方法的局限性.
- 为时间序列分析中的假设测试提供一个强大的工具.
主要方法:
- 提出了一个参数高斯模型,用于时间序列数据的自相关函数.
- 利用拉普拉斯近似推导出有效样本大小 (ESS) 的简单估计器.
- 该ESS估计器仅依赖时间序列的时间导数,减少计算复杂性.
主要成果:
- 拟议的方法准确地估计了时间序列相关性中的统计学意义.
- 显示了计算复杂度的显著降低,从O(N^3) 降低到O(N).
- 验证了对现实世界的生理信号 (电生理学) 和运动捕获数据的方法.
结论:
- 这种新的方法为研究人员使用时间序列数据提供了一种简化和计算效率高的工具.
- 即使存在时间依赖,也可以进行强大的假设测试.
- 适用于需要对相关时间序列进行分析的不同领域,如神经科学和生物力学.
关键词:
相对应系数 相对应系数有效的自由度是有效的自由度.有效样本大小是有效的样本大小.拉普拉斯的方法 拉普拉斯的方法第二个光谱时刻.统计学意义 统计学意义随机过程是指随机的过程.时间序列相关性 时间序列相关性更多相关视频
08:25Combined Invasive Subcortical and Non-invasive Surface Neurophysiological Recordings for the Assessment of Cognitive and Emotional Functions in Humans
Published on: May 19, 2016
10.7K
09:32Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients
Published on: December 18, 2016
12.1K
