Generative Models for Periodicity Detection in Noisy Signals
噪声信号周期性检测的生成模型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：摘要直接研究二元事件时间序列的周期结构检测。
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…
噪声信号周期性检测的生成模型
- 研究问题
- 对于含噪声的二元事件起始时间序列，如何同时识别单个或多个周期，并区分不同形式的周期性事件行为？
- 方法与思路
- 作者建立 Clock 与 Random Walk 两种周期事件生成模型，提出高斯混合周期检测算法，通过推断生成模型参数识别周期。
- 材料陈述的贡献
- 摘要称两种生成模型及新算法可处理多重周期，在不同噪声水平的测试和睡眠腿部运动数据中识别出预期周期。
- 阅读关注点
- 应核对两类周期模型的区别、周期数量与参数的确定方法，以及高噪声测试中的误检率、漏检率和基准比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供噪声设定、准确率数值或理论条件，高准确性仍是作者报告。
原文摘要
We introduce a new periodicity detection algorithm for binary time series of event onsets, the Gaussian Mixture Periodicity Detection Algorithm (GMPDA). The algorithm approaches the periodicity detection problem to infer the parameters of a generative model. We specified two models - the Clock and Random Walk - which describe two different periodic phenomena and provide a generative framework. The algorithm achieved strong results on test cases for single and multiple periodicity detection and varying noise levels. The performance of GMPDA was also evaluated on real data, recorded leg movements during sleep, where GMPDA was able to identify the expected periodicities despite high noise levels. The paper's key contributions are two new models for generating periodic event behavior and the GMPDA algorithm for multiple periodicity detection, which is highly accurate under noise.