适应性序列单元光谱分析:有效的信号提取与应用到与电子烟使用相关的心率信号
1Department of Biostatistics and Data Science, University of Texas Health Science Center, Houston, Texas, U.S.A.
Data science in science
|May 12, 2025
概括
一种自适应的顺序单元光谱分析 (SSA) 方法优化窗口长度,从噪音时间序列中提取信号. 这种方法提高了短和长数据集的准确性和效率,减少了重建错误.
科学领域:
- 时间序列分析时间序列分析
- 信号处理 信号处理
- 数据科学数据科学数据科学
背景情况:
- 单点光谱分析 (SSA) 是有效的信号提取从杂的时间序列.
- 传统的SSA的性能和计算成本高度依赖于窗口长度的选择.
- 对于长时间序列来说,大窗口长度是有问题的,增加了错误和计算负担.
研究的目的:
- 引入适应性顺序 SSA 方法,以实现最佳的窗口长度选择.
- 为了提高信号提取效率,并最大限度地减少重建错误.
- 提供适用于所有长度的时间序列的多功能SSA方法.
主要方法:
- 开发了一个自适应的顺序SSA算法.
- 代选择了自序提取的最佳窗口长度.
- 使用模拟数据 (侧面功能和噪声) 和真实世界的心率数据验证了该方法.
主要成果:
- 适应序列 SSA 方法有效地提取基本的固有序列,重建错误最小.
- 在模拟和现实世界数据集,包括心率数据上都证明了有效性.
- 在与vaping事件相关的心率数据中确定了不同的模式.
结论:
- 适应性顺序 SSA 方法是用于信号提取的强大而灵活的工具.
- 该方法解决了传统SSA的局限性,特别是对于长时间序列.
- 未来的研究可以利用提取的自身序列来开发数字生物标志物,例如用于电子烟行为.
更多相关视频
06:39Electroencephalographic, Heart Rate, and Galvanic Skin Response Assessment for an Advertising Perception Study: Application to Antismoking Public Service Announcements
Published on: August 28, 2017
14.2K
09:30A Microcontroller Operated Device for the Generation of Liquid Extracts from Conventional Cigarette Smoke and Electronic Cigarette Aerosol
Published on: January 18, 2018
8.3K
