Optimal Change Point Detection and Inference in the Spectral Density of General Time Series Models
一般时间序列模型谱密度变点的最优检测与推断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：摘要直接研究时间序列谱密度的结构变化、变点定位及渐近推断。
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…
一般时间序列模型谱密度变点的最优检测与推断
- 研究问题
- 如何在一般时间序列中检测谱密度的变化，并提高变点定位精度、量化位置不确定性，以识别脑电等数据中的事件？
- 方法与思路
- 作者借助 Wold 分解构建截断的无限阶自回归表示，先遍历候选时点获得初估，再提出改进定位和区间推断的方法。
- 材料陈述的贡献
- 摘要称分析了定位误差，提出具有最优速率和渐近分布的方法，并通过脑电、视频应用及数值实验展示其表现。
- 阅读关注点
- 应核对时间序列条件、截断阶数、变化强度要求，以及最优速率的比较范围、置信区间构造和实验评价标准。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实；摘要未说明最优性条件和数值差距，所称优势不能推广至所有过程。
原文摘要
This paper addresses the problem of detecting change points in the spectral density of time series, motivated by EEG analysis of seizure patients. Seizures disrupt coherence and functional connectivity, necessitating precise detection. Departing from traditional parametric approaches, we utilize the Wold decomposition, representing general time series as autoregressive processes with infinite lags, which are truncated and estimated around the change point. Our detection procedure employs an initial estimator that systematically searches across time points. We examine the localization error and its dependence on time series properties and sample size. To enhance accuracy, we introduce an optimal rate method with an asymptotic distribution, facilitating the construction of confidence intervals. The proposed method effectively identifies seizure onset in EEG data and extends to event detection in video data. Comprehensive numerical experiments demonstrate its superior performance compared to existing techniques.