制作脑波集体感

缺乏通过时间变化的大型数据集中的异常的工具引发了KAURT科学家寻找新的效率，以帮助大脑研究。

搜索大型数据集的相关性和相似性，例如大脑信号，是一个强大的任务。一项技术研究人员使用测试相关性是分析信号的频率成分 - 波形中包含的缓慢和快速振荡的混合。然而，这些光谱密度分析包含大量的低电平背景噪声，因此难以识别来自原始光谱密度函数（SDF）的真实相关性。

可以应用平滑过程以减少SDF中的噪声，但需要优化平滑程度，以避免在挑选真实相关性所需的数据中丢失有价值的细节。通常，在与他人比较之前，需要为每个信号跟踪完成这一点。对于涉及数十或数百个同时脑信号录制的脑电图（EEG），这迅速成为巨大且效率低下的任务。

由于缺乏用于处理此类问题的统计工具，Kaust研究员Ying Sun和Hy博士生Tainbo Chen与Mehdi Maadooliat在美国的Mehdi Maadooliat合作，开发了一个有效的方法，用于统称大量SDFS录制的痕迹。

“大多数现有方法要么分别估计光谱密度或遭受计算问题，”陈说。“集体估计是统计上更有效的，”他解释说，“并通过应用聚类技术来减少数据的维度，我们可以开发一种越来越优于常用方法的计算有效的方法，并且还可以在时间序列之间可视化相似性。”

开发这种方法的关键挑战正在推出一种方法来确保从时代系列估计的SDF是顺利的。“因为我们只有观察到的时间序列数据与之合作，我们必须开发一种估计光谱密度的新标准，”陈说。“我们使用了统计模型与数据相结合的衡量标准的衡量标准的衡量标准。”

该团队测试了他们的集体SDF估计方法通过使用194个电极的EEG录制来检测大脑区域之间的相关性，从194个电极放置在受试者的头皮上。

“通过聚集来自不同的大脑信号脑位置，我们能够识别脑区eEg信号共享类似的波形，“陈说。

该团队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并使用可视化进行类似的分析。

---

---