Topological Data Analysis for Multivariate Time Series Data
多变量时间序列数据的拓扑数据分析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：摘要明确以多变量时间序列分析为方法目标，对应时间序列方向；脑连接网络的出现不足以归入经济网络与干扰。
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…
多变量时间序列数据的拓扑数据分析
- 研究问题
- 如何将持续同调等拓扑数据分析工具引入多变量时间序列，提取脑信号及脑连接网络在不同尺度上的结构特征？
- 方法与思路
- 作者面向统计读者介绍拓扑数据分析概念，提供多变量时间序列分析思路，并以多变量脑信号和脑连接网络为应用重点。
- 材料陈述的贡献
- 摘要主要陈述概念介绍与分析路径，并讨论脑网络方向性建模及混合效应拓扑分析的开放问题和潜在应用。
- 阅读关注点
- 应核对时间序列如何构造拓扑对象、尺度与距离的选择、统计推断如何进行，并区分已实现方法与未来研究设想。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未给出具体算法保证，方向性和混合效应扩展仍属讨论内容。
原文摘要
Over the last two decades, topological data analysis (TDA) has emerged as a very powerful data analytic approach which can deal with various data modalities of varying complexities. One of the most commonly used tools in TDA is persistent homology (PH) which can extract topological properties from data at various scales. Our aim in this article is to introduce TDA concepts to a statistical audience and provide an approach to analyze multivariate time series data. The application focus will be on multivariate brain signals and brain connectivity networks. Finally, the paper concludes with an overview of some open problems and potential application of TDA to modeling directionality in a brain network as well as the casting of TDA in the context of mixed effects models to capture variations in the topological properties of data collected from multiple subjects