机构名称：
¥ 1.0
摘要 — 本文展示了如何在每次相位随机化之后添加第二步窗口来降低基于傅里叶的替代分析中的错误拒绝率。窗口技术减少了傅里叶级数中周期性扩展数据序列边界处的不连续性。然而，它们增加了时间域非平稳性，从而影响替代分析。这种影响对于短低通信号尤其成问题。将相同的窗口应用于替代数据允许具有相同的非平稳性。该方法通过蒙特卡罗模拟在 1 阶自回归过程零假设上进行测试。以前的方法无法同时对左侧和右侧测试产生良好的性能，对双边测试更是如此。结果表明，新方法对于单侧测试和双边测试都是保守的。为了证明所提出的窗口方法在现实环境中是有用的，在这篇扩展论文中，它被应用于 EEG 诊断问题。数据集包含 15 名受试者的 EEG 测量数据，这些受试者分为三组：注意力缺陷障碍主要为多动冲动型 (ADHD)、注意力缺陷障碍主要为注意力不集中型 (ADD)；焦虑症和注意力脆弱型 (ANX)。统计和机器学习 (朴素贝叶斯) 方法均被考虑。平均短窗口 SA (MSWSA) 被用作信号特征，并研究了其相对于窗口系统的性能。主要发现是：(i) MSWSA 特征对于 ADD 的变异性小于对于 ADHD 或 ANX 的变异性，(ii) 所提出的窗口方法降低了 SA 特征的偏差和非正态性，(iii) 使用所提出的方法和朴素贝叶斯分类器，通过留一交叉验证将 ADD 与 ADHD 和 ANX 区分开来的成功率为 93%，以及 (iv) 如果没有所提出的窗口系统，新特征不可能产生有趣的结果。
基于傅里叶的替代模型中的窗口补偿...
主要关键词
相关文件推荐
