04.01.2023

Neue Publikation

Neue Publikation zur robusten mehrdimensionale Modellordnungsschätzung mittels linearer Regression der globalen Eigenwerte

Kanal-, Frequenz- und Epochen-Signatur für einen Probanden nach der CP-Zerlegung des Tensors der EEG-Daten nach visueller Flickerstimulation mit einer Stimulationsfrequenz von 0,5*Alpha und geschätztem Rang 2.

Die effiziente Schätzung einer annähernden Modellordnung ist für reale Anwendungen mit mehrdimensionalen niedrigrangigen Daten, die durch additives Rauschen verfälscht sein können, sehr wichtig. In diesem Artikel stellen wir eine neuartige, robuste Methode zur Schätzung der Modellordnung von verrauschten mehrdimensionalen Daten mit niedrigem Rang vor, die auf der Linearen Regression der Globalen Eigenwerte basiert (LaRGE). Die LaRGE-Methode verwendet die aus der HOSVD des Messtensors gewonnenen multi-linearen Singulärwerte, um globale Eigenwerte zu konstruieren. Im Gegensatz zum Modified Exponential Test (EFT), der ebenfalls das annähernde Exponentialprofil der Rauscheigenwerte ausnutzt, erfordert LaRGE keine Berechnung der Fehlalarmwahrscheinlichkeit. Darüber hinaus erzielt LaRGE eine deutlich bessere Leistung im Vergleich zu gängigen State-of-the-Art-Methoden. Es eignet sich gut für die Analyse von verrauschten mehrdimensionalen Daten mit niedrigem Rang, einschließlich biomedizinischer Signale. Die Leistung der LaRGE-Methode wird anhand von Simulationen und Ergebnissen aus EEG-Aufzeichnungen veranschaulicht.

Zitat:
Korobkov AA, Diugurova MK, Haueisen J, Haardt M: Robust Multi-dimensional Model Order Estimation Using LineAr Regression of Global Eigenvalues (LaRGE).
IEEE Transactions on Signal Processing, 70:5751 - 5764, 2022

10.1109/TSP.2022.3222737

Kontakt: Prof. Jens Haueisen