Другие журналы
|
Метод сегментации пространственно-распределенных временных рядов на основе бегущих волн
# 10, октябрь 2014
DOI: 10.7463/1014.0728495
авторы: Трофимов А. Г., Колодкин И. В., Ушаков В. Л., Величковский Б. М.
УДК 519.6
| Россия, Национальный исследовательский ядерный университет «МИФИ» Россия, НИЦ «Курчатовский институт» |
Предложен метод сегментации многомерного временного ряда, обладающего пространственно-временной структурой, основанный на анализе бегущих волн, и продемонстрирована его работа на реальных данных. Для оценки степени выраженности бегущих волн использованы показатели синхронности и когерентности. Расчёт этих показателей проводился по результатам анализа кросс-спектров сигналов, соответствующих пространственно соседним точкам наблюдения. Применение предложенного метода возможно при анализе пространственно-организованных физических, химических и биологических процессов, в частности, при анализе нейрофизиологических данных, в геотермических и океанологических исследованиях и исследованиях распределённой динамики солнечной активности. Экспериментальные исследования метода проводились на реальных данных электроэнцефалографии (ЭЭГ) головного мозга. Показано, что на реальных данных предложенный метод превосходит по качеству классические методы сегментации ЭЭГ. Результат работы алгоритма обладает простой интерпретацией. В первом разделе приводится математическая постановка задачи сегментации многомерного временного ряда. Второй раздел посвящён формальному описанию бегущей волны и показателей выраженности бегущей волны между двумя пространственными точками. В третьем разделе рассматривается метод построения пространства признаков для сегментации многомерного временного ряда, основанных на характеристиках бегущих волн. В четвертом разделе приводятся результаты экспериментальных исследований предложенного алгоритма сегментации на реальных данных ЭЭГ. В заключении формулируются основные результаты работы и направления возможных исследований Список литературы- Abonyi J., Feil B. Cluster Analysis for Data Mining and System Identification. Birkhäuser Basel Publ., 2007. 306 p. DOI:10.1007/978-3-7643-7988-9
- Percival D.B., Walden A.T. Wavelet Methods for Time Series Analysis. Cambridge University Press, 2006. (Cambridge Series in Statistical and Probabilistic Mathematics).
- Seiffert U.S., Jain L.C., eds. Self-organizing Neural Networks: Recent Advances and Applications. Physica-Verlag HD Publ. , 2002. (Ser. Studies in Fuzziness and Soft Computing; vol. 78). DOI: 10.1007/978-3-7908-1810-9
- Liao T. Warren. Clustering of time series data—a survey // Pattern Recognition. 2005. Vol. 38, no. 11. P. 1857-1874. DOI: 10.1016/j.patcog.2005.01.025
- Varstal M., Millán J.R., Heikkonen J. A recurrent self-organizing map for temporal sequence processing // In: Artificial Neural Networks—ICANN'97. Springer Berlin Heidelberg, 1997. P. 421-426. (Ser. Lecture Notes in Computer Science; vol. 1327). DOI:10.1007/BFb0020191
- Pusheng Zhang, Yan Huang, Shashi Shekhar, Vipin Kumar. Correlation analysis of spatial time series datasets: A filter-and-refine approach // In: Advances in Knowledge Discovery and Data Mining. Springer Berlin Heidelberg, 2003. P. 532-544. (Ser. Lecture Notes in Computer Science; vol. 2637). DOI: 10.1007/3-540-36175-8_53
- Park J.Y. The spatial analysis of time series. Working Papers 2005-07. Rice University, Department of Economics, 2005. Available at: http://econpapers.repec.org/paper/eclriceco/2005-07.htm, accessed 01.09.2014.
- Kamarianakis Y. Spatial time series modeling: A review of the proposed methodologies. Regional Economics Applications Lab Technical Series, University of Illinois at Champaign-Urbana, REAL 03-T-19.
- Sandstede B. Stability of travelling waves // In: Fiedler B., ed. Handbook of Dynamical Systems. Vol. 2. North-Holland, Amsterdam, 2002. P. 983-1055.
- Nunez P.L., Srinivasan R., Westdorp A.F., Wijesinghe R.S., Tucker D.M., Silberstein R.B., Cadusch P.J. EEG coherency: I: statistics, reference electrode, volume conduction, Laplacians, cortical imaging, and interpretation at multiple scales // Electroencephalography and Clinical Neurophysiology. 1997. Vol. 103, no. 5. P. 499-515.
- Hartwig J., Schnitzspahn K.M., Kliegel M., Velichkovsky B.M., Helmert J.R. I see you remembering: What eye movements can reveal about process characteristics of prospective memory // International Journal of Psychophysiology. 2013. Vol. 88, no. 2. P. 193-199. DOI:10.1016/j.ijpsycho.2013.03.020
- Fortune S. A Sweepline algorithm for Voronoi diagrams // Algorithmica. 1987. Vol. 2, no. 1-4. P. 153-174. DOI: 10.1007/BF01840357
- Jain A.K. Data clustering: 50 years beyond K-means // Pattern Recognition Letters. 2010. Vol. 31, no. 8. P. 651-666. DOI: 10.1016/j.patrec.2009.09.011
- Фингелькурц А.А. Пространственно-временная организация сегментной структуры ЭЭГ человека: дис. … канд. биол. наук. М ., МГУ , 1998. 273 с .
- Lehmann D., Strik W.K., Henggeler B., Koenig T., Koukkou M. Brain electric microstates and momentary conscious mind states as building blocks of spontaneous thinking: I. Visual imagery and abstract thoughts // International Journal of Psychophysiology. 1998. Vol. 29, no. 1. P. 1-11. DOI: 10.1016/S0167-8760(97)00098-6
Публикации с ключевыми словами:
сегментация, электроэнцефалограмма, пространственно-распределенный временной ряд, бегущая волна, синхронность, когерентность, микросостояния ЭЭГ
Публикации со словами:
сегментация, электроэнцефалограмма, пространственно-распределенный временной ряд, бегущая волна, синхронность, когерентность, микросостояния ЭЭГ
Смотри также:
|
|