Windowing Compensation in Fourier Based Surrogate Analysis and Application to EEG Signal Classification
Notice bibliographique
Résumé
This article shows how adding a second step of windowing after each phase randomization can reduce the false rejection rate in the Fourier-based surrogate analysis (SA). Windowing techniques reduce the discontinuities at the boundaries of the periodically extended data sequence in the Fourier Series. However, they add time-domain nonstationarity that affects the SA. This effect is particularly problematic for short low-pass signals. Applying the same window to the surrogate data allows having the same nonstationarity. The method is tested on order 1 autoregressive process null hypothesis by Monte Carlo simulations. Previous methods were not able to yield good performances for left- and right-sided tests at the same time, even less with bilateral tests. It is shown that the new method is conservative for unilateral tests and bilateral tests. In order to show that the proposed windowing method can be useful in the real context, in this extended paper, it was applied for an electroencephalogram (EEG) diagnostic problem. A dataset comprising the EEG measurements of 15 subjects distributed in three groups, attention-deficit disorder primarily hyperactive-impulsive (ADHD), attention-deficit disorder primarily inattentive (ADD), and anxiety with attentional fragility (ANX), was used. Both statistical and machine learning (naïve Bayesian) approaches were considered. The mean short-windowed SA (MSWSA) was used as a signal feature, and its performances were studied with respect to the windowing systems. The main findings were that: 1) the MSWSA feature has less variability for ADD than for ADHD or ANX; 2) the proposed windowing method reduces bias and nonnormality of the SA feature; 3) with the proposed method and a naïve Bayesian classifier, a 93% success rate of discriminating ADD from ADHD and ANX was achieved with leave-one-out cross-validation; and 4) the new feature could not have yielded interesting results without the proposed windowing system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».