Autoregressive models for biomedical signal processing

要約

タイトル：バイオメディカルシグナル処理のための自己回帰モデル
要約：
– 自己回帰モデルは、計算神経科学やバイオメディカルエンジニアリングなど多くの領域で時間系列の分析に使用される普遍的なツールです。
– これらの領域では、脳活動の測定などからデータが収集されます。しかし、このデータは測定誤差や基礎となるシステムモデルの不確実性に影響を受けるため、自己回帰モデル推定器を使用した標準的な信号処理はバイアスがかかることがあります。
– この研究では、過剰パラメータ化された損失関数を介してこれらの不確実性を明示的に取り込む自己回帰モデリングの枠組みを提案しています。この損失を最適化するために、状態推定とパラメータ推定を交互に行うアルゴリズムを導出しています。
– この手順は時系列のノイズ除去やシステムパラメータの再構築を成功裏に行うことができることが示されています。
– この新しいパラダイムは、脳-コンピュータインターフェースのデータ分析や、てんかんなどの疾患における脳のダイナミクスの理解を向上させるために、神経科学の多くのアプリケーションで使用できます。

要約(オリジナル)

Autoregressive models are ubiquitous tools for the analysis of time series in many domains such as computational neuroscience and biomedical engineering. In these domains, data is, for example, collected from measurements of brain activity. Crucially, this data is subject to measurement errors as well as uncertainties in the underlying system model. As a result, standard signal processing using autoregressive model estimators may be biased. We present a framework for autoregressive modelling that incorporates these uncertainties explicitly via an overparameterised loss function. To optimise this loss, we derive an algorithm that alternates between state and parameter estimation. Our work shows that the procedure is able to successfully denoise time series and successfully reconstruct system parameters. This new paradigm can be used in a multitude of applications in neuroscience such as brain-computer interface data analysis and better understanding of brain dynamics in diseases such as epilepsy.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI