跳到正文

算法、任务与模态

Time-frequency 最新动态

Time-frequency 研究索引；按可核对的标签归档，不以热度评价质量。

83 条精选近 30 天 13 条共收录 245 条

更新

精选归档 · 第 5 页

1月1日周一第 81–83 条
  1. OpenReview · EEG73

    基于 EEG 的阿尔茨海默病早期检测：同步性度量的比较研究

    基于摘要分析。该研究针对阿尔茨海默病（AD）患者 EEG 同步性降低、但个体差异使其难以可靠识别早期轻度认知障碍（MCI）的问题，比较多类 EEG 同步性度量，寻找能够区分 MCI 患者与年龄匹配对照的指标。其主要研究对象是疾病相关 EEG 特征与潜在诊断标志物，而非 BCI 控制或解码算法。 比较范围包括互相关系数、mean-square 与 phase coherence function、Granger causality、corr-entropy coefficient 及两种新扩展、基于 Hilbert transform 与时频图的相位同步指标、时域与时频域的信息论散度、状态空间方法中的非线性相互依赖度量与 S-estimator，以及 stochastic-event synchrony。摘要未给出各指标的具体计算公式、参数设置及新增扩展的机制，尚不能据此判断实现细节或复现成本。 作者报告，在所用数据集上，仅两类同步性度量能够较有说服力地区分 MCI 患者与年龄匹配对照（p < 0.005）：Granger causality 中的 full-frequency directed transfer function，以及 stochastic-event synchrony 中的非重合活动比例（fraction of non-coincident activity）。这一结果属于该数据集下的组间统计区分；摘要未提供个体分类 Accuracy、敏感度、特异度或纵向预测结果，不能将其解读为已建立可靠的早期诊断工具。作者提出，将这两类度量与其他特征结合，未来可能形成用于 MCI 和 AD 的诊断工具，该应用前景仍待验证。 被试数量、诊断标准、EEG 采集与预处理、统计检验及多重比较处理、数据划分、独立验证和消融信息尚未验证。阅读全文时应重点核对上述协议，以及指标对伪迹、共同源和参数选择的敏感性；现有摘要不支持进一步推断其 BCI 迁移效果或临床使用价值。

    阅读价值：值得阅读的具体原因是其在同一 EEG 数据集上比较多类同步性指标，并由作者报告 Granger causality 与 stochastic-event synchrony 对 MCI 与年龄匹配对照的区分信号，但这尚不等同于个体诊断能力或早期预测有效性。

12月31日周日
  1. OpenReview · EEG72

    基于丙泊酚麻醉诱导期间 EEG 频率演变预测对言语指令无反应

    基于摘要分析。本研究考察丙泊酚麻醉诱导期间 EEG 频谱特征与表征药物镇静效应的 r 标度之间的关联，并利用预测的 r 值预报患者对言语指令无反应（LVC）的时间。主要贡献是将频带幅度包络与多项式回归结合，探索由人群模型预测个体镇静进程的可行性；研究对象是麻醉状态监测，而非主动 BCI 控制。 方法与数据：研究纳入接受丙泊酚麻醉诱导的 16 名患者。EEG 被滤波为连续的 4 Hz 通带，频率范围上限为 28 Hz；各频带时间序列的幅度包络作为输入特征，用于一阶和二阶多项式多元线性回归。摘要未说明 r 标度的具体定义、时间对齐方式、特征窗口或两类模型的选择流程。 结果：作者报告，在 r∈[0.4,1] 的预测范围内，交叉验证得到 R²=0.775，但摘要未明确交叉验证属于被试内还是跨被试划分。作者报告，LVC 时间预测的中位误差为 5%–7%，对应 10–13 秒；以训练人群实测 LVC 时间的中位数作为预测值时，对应误差为 12% 或 26 秒。百分比误差的归一化定义，以及上述结果分别对应何种模型或评估条件，尚未验证。 证据边界与复现条件：作者认为，在所研究范围内，r 标度与 EEG 频谱具有可接受的关联，人群模型可用于预测个体 r 值，并可能为给药调控提供新途径。这不等于已验证闭环给药的安全性或有效性。复现需核对电极配置、采样与预处理、丙泊酚给药流程、LVC 测定方式、r 标度计算、训练与测试划分，以及预测时刻实际可获得的信息。全文未取得，实验协议、消融及统计信息尚未验证。

    阅读价值：该研究以 EEG 频带幅度包络预测丙泊酚诱导期间的镇静程度与言语指令无反应时间，并提供训练人群时间中位数作为对照，值得核对其交叉验证划分及预测时点，但摘要不足以确认临床给药指导价值。

1月1日周六
  1. OpenReview · EEG76

    非平稳信号相互依赖性的时频表征：在癫痫 EEG 中的应用

    基于摘要分析。本文研究非平稳信号之间的线性相互依赖关系如何随时间与频率变化，提出基于窄带滤波信号互相关的估计方法，并在仿真及癫痫相关脑内 EEG 数据中考察其表现。主要贡献是将关联估计置于时频框架下，并分析信号间时延先验对估计性能的影响，而非提出 BCI 解码算法。 核心机制是对窄带滤波后的信号计算互相关，以表征非平稳信号之间的线性关系；对照方法是基于相干函数的经典估计器。摘要未提供滤波带宽、时间窗、时延处理方式及估计公式，这些实现条件尚未验证。 作者报告，在仿真框架中，当信号间时延的先验知识可用时，所提估计器可能在偏差、方差或均方误差方面优于相干函数估计器；摘要未给出仿真参数、数值结果或优势范围。作者报告，在真实脑内 EEG 数据上，该方法可能提高关联时频表示的可读性，帮助解释非平稳相互依赖关系。这一结果不等同于已验证的诊断准确率或 BCI 性能提升。作者还通过与不区分频率的线性及非线性方法比较，说明同时表征时间和频率维度的重要性。 阅读与复现时应重点核对时延先验的来源、估计器对时延误差的敏感性、时频分辨率及对照方法的参数设置。被试数量、记录条件、数据划分、实验协议、消融及统计信息尚未验证。摘要中的信号关联用于表征功能耦合，但不能据此推断因果连接。

    阅读价值：值得阅读的具体原因是，研究直接比较窄带互相关与相干函数估计，并指出信号间时延先验可能影响非平稳 EEG 关联估计的偏差、方差及均方误差，但其优势的适用条件仍需全文核对。