Manifold-valued models for analysis of EEG time series data
用于脑电时间序列分析的流形值模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究含自回归与均值回复项的时间序列模型，对应时间序列方法方向，应用对象为脑电数据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于脑电时间序列分析的流形值模型
- 研究问题
- 如何用可解释的流形值时间序列模型描述脑电协方差矩阵的动态，并评估几何选择对癫痫发作与间期分析的影响？
- 方法与思路
- 作者为切向量方向设定包含自回归、均值回复和高斯噪声的分布，通过最大似然估计比较欧氏与仿射不变几何。
- 材料陈述的贡献
- 摘要称模型区分了发作期与间期的动态特征，并用于比较患者内外的发作；仿射不变几何在所分析数据上拟合更好。
- 阅读关注点
- 应核对流形及噪声分布的具体定义、似然计算、参数显著性的判断，以及不同几何下拟合比较是否采用可比标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未说明样本规模、拟合指标或跨患者推广的可靠性。
原文摘要
We propose a model for time series taking values on a Riemannian manifold and fit it to time series of covariance matrices derived from EEG data for patients suffering from epilepsy. The aim of the study is two-fold: to develop a model with interpretable parameters for different possible modes of EEG dynamics, and to explore the extent to which modelling results are affected by the choice of manifold and its associated geometry. The model specifies a distribution for the tangent direction vector at any time point, combining an autoregressive term, a mean reverting term and a form of Gaussian noise. Parameter inference is carried out by maximum likelihood estimation, and we compare modelling results obtained using the standard Euclidean geometry on covariance matrices and the affine invariant geometry. Results distinguish between epileptic seizures and interictal periods between seizures in patients: between seizures the dynamics have a strong mean reverting component and the autoregressive component is missing, while for the majority of seizures there is a significant autoregressive component and the mean reverting effect is weak. The fitted models are also used to compare seizures within and between patients. The affine invariant geometry is advantageous and it provides a better fit to the data.