Robust Spectral Fuzzy Clustering of Multivariate Time Series with Applications to Electroencephalogram
多元时间序列的稳健谱模糊聚类及其脑电应用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：方法直接针对多元时间序列的频域依赖与聚类；分类依据是时间序列方法，应用本身为脑电数据。
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…
多元时间序列的稳健谱模糊聚类及其脑电应用
- 研究问题
- 面对噪声、跨变量依赖和渐变或重叠状态边界，如何对多元时间序列聚类，并提取能区分潜在状态的频率与连接特征？
- 方法与思路
- 作者在谱域使用基于Kendall秩相关的典型相干度刻画频率特定的单调关系，再将序列投影到针对模糊分组构造的谱矩阵向量。
- 材料陈述的贡献
- 摘要称方法在数值实验中优于既有方法且对异常值稳健；脑电应用展示了与清醒、困倦状态有关的频率和连接模式。
- 阅读关注点
- 应核对非平稳依赖的处理方式、谱矩阵与模糊隶属度的构造、异常值污染设置，以及聚类比较和脑电状态判别的评价标准。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未说明理论保证、实验指标及比较细节，脑电状态标记也不能据此作因果解释。
原文摘要
Clustering multivariate time series (MTS) is challenging due to non-stationary cross-dependencies, noise contamination, and gradual or overlapping state boundaries. We introduce a robust fuzzy clustering framework in the spectral domain that leverages Kendall's tau-based canonical coherence to extract frequency-specific monotonic relationships across variables. Our method takes advantage of dominant frequency-based cross-regional connectivity patterns to improve clustering accuracy while remaining resilient to outliers, making the approach broadly applicable to noisy, high-dimensional MTS. Each series is projected onto vectors generated from a spectral matrix specifically tailored to capture the underlying fuzzy partitions. Numerical experiments demonstrate the superiority of our framework over existing methods. As a flagship application, we analyze electroencephalogram recordings, where our approach uncovers frequency- and connectivity-specific markers of latent cognitive states such as alertness and drowsiness, revealing discriminative patterns and ambiguous transitions.