.png){kind=icon}
返回
Unsupervised functional stage detection from EEG using topological data analysis
.png){kind=icon}
PRE
AI
DOI：10.1007/s11517-026-03683-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑电图（EEG）分割在很大程度上仍由专家手动完成。近期研究提出了状态检测算法（SDA）——一种在最小人工干预下检测功能阶段的自動化技术——该算法利用频谱特征已被证明有效。本文介绍了一种替代的特征工程方法，利用拓扑数据分析（TDA）这一新兴领域探索数据的空间结构。我们提出了一个算法，用于提取包含数万特征的EEG综合拓扑描述，并引入快速状态检测算法（QSDA），一种基于SDA性能的特征选择框架。随后，我们将该流程应用于两个不同领域的EEG记录——秘密集密续冥想和整夜多导睡眠图睡眠——观察到大多数记录中阶段边界明显分离，表明TDA在某些情况下可能补充或优于频谱特征。我们还观察到在噪声数据上表现良好，而打乱后的数据段产生的边界明显较弱，支持该技术在所考察设置下的鲁棒性。总体而言，该算法似乎是SDA的一项有前景的特征工程方法，并表明EEG的空间结构可能包含信息模式。这些发现促使进一步探究其可能的生理解释，以及在不同EEG范式中的评估。
Keyword:
Topological data analysis
State-detecting algorithm
Functional states
Feature selection
期刊
M
IF:
2.6
论文数:
203
被引数:
0
机构
引用论文
DeepCut plus plus : Graph-based unsupervised segmentation with feature fusion and diffusion learning
PREAI
分享收藏Revolutionizing textual data insights: A comprehensive review of the dual relationship between transformers and clustering in textual data analysis革命性文本数据洞察：对文本数据分析中transformers与聚类之间双重关系的全面综述.png)
Computer Science Review
Computer Science ReviewIF12.7
PREAI
分享收藏
没有更多内容
没有更多内容