使集体的脑波

缺乏工具来确定异常在大型数据集,通过不同时间引发了一场由KAUST科学家寻找新的效率来帮助大脑研究。

寻找时变信息的相关性和相似的大型数据集,比如大脑信号,是一个艰巨的任务。一个技术人员使用测试等相关是分析信号的频率composition-the慢速和快速的振荡波形中包含。然而,这些谱密度分析包含很多低级的背景噪音,所以很难确定真正的相关性从原始谱密度函数(SDF)。

平滑过程可以应用在自卫队减少噪音,但平滑的程度需要优化,以避免失去有价值的详细的数据需要挑出真正的相关性。通常,这需要做每个信号跟踪之前与他人相比。脑电图(EEG)涉及几十或几百个同时大脑信号的录音,这很快变成了一个巨大的和低效的任务。

出于缺乏统计工具来处理这些问题,KAUST研究者应阳光和她的博士生Tainbo Chen合作迈赫迪Maadooliat马奎特大学在美国,开发一种有效的方法,共同评估大量的自卫队记录痕迹。

“大多数现有的方法分别估计谱密度或患有计算问题,”陈说道。“集体评估统计效率,”他解释道,“和通过应用集群技术来降低数据的维数,我们可以开发一个计算有效方法,优于常用的方法,也可以想象时间序列之间的相似性。”

发展中这种方法的关键挑战是想出一种方法来确保自卫队估计从《纽约时报》系列是光滑的。“因为我们只有观察到的时间序列数据,我们必须开发一个新的标准谱密度估计,“陈说。“我们使用的是多么一致的统计模型的数据结合测量估计函数的光滑。”

该小组测试了他们的集体自卫队估计方法通过使用它来探测大脑区域之间的相关性使用脑电图记录194个电极放在一个主题的头皮。

“通过集群不同的大脑信号大脑位置,我们能够识别大脑区域脑电图信号波形相似,”陈说道。

该小组还开发了一个交互式应用程序,允许任何人上传自己的数据,进行类似的分析与可视化。