利用函数数据分析进行含噪数据可视化

基于摘要分析。本文研究含噪动态过程的降维可视化，提出 Functional Information Geometry（FIG），将函数数据分析方法引入 Empirical Intrinsic Geometry（EIG）框架，以缓解高维直方图带来的维度灾难，并将其用于睡眠活动 EEG 的可视化。 机制与贡献：摘要指出，既有 EIG 面向高维动态过程，具有理论上的噪声消除性质，但实际实现依赖高维直方图，面临维度灾难。FIG 的主要思路是保留 EIG 框架，同时利用函数数据分析降低这一实现障碍。摘要未交代具体函数表示、几何量估计、降维流程或噪声假设，因此不能据此认定 FIG 在实际 EEG 中能够消除全部噪声。 结果与证据：作者报告，在所开展的实验中，FIG 相比一种面向可视化的 EIG 变体，在真实结构捕获、超参数稳健性和计算速度方面表现更好；作者随后展示了睡眠 EEG 的可视化应用。摘要未提供数据集、被试数、通道配置、数据划分、量化指标或具体数值，比较实验与 EEG 应用之间的对应关系，以及实验协议、消融及统计信息尚未验证。 阅读与复现重点：应核对 FIG 所需的动态数据组织方式、局部统计估计条件，以及睡眠 EEG 可视化结构如何获得外部验证。该工作的直接贡献是含噪动态数据的探索性可视化，并非已验证的 BCI 解码算法；其对跨被试、跨会话或小样本 EEG 的适用性仍需独立评估。当前材料不足以给出可直接复现的配置。