Notice bibliographique
Résumé
Time-Frequency Distributions (TFDs) are accounted to be one of the powerful tools for analysis of time-varying signals. Although a variety of TFDs have been proposed, most of their designs were targeted towards obtaining good visualization and limited work is available for characterization applications. In this work, the characteristics of the ambiguity domain (AD) is suitably exploited to obtain a novel automated analysis scheme that preserves the inherent TF connection during Non-Stationary (NS) signal processing. Following this, an energy-based discriminative set of feature vectors for facilitating efficient characterization of the given time-varying input has been proposed. This scheme is motivated by the fact that, although, the interfering (or cross-) terms plague the representation, they carry important signal interaction information, which could be investigated for usability for time-varying signal analysis. Once having assessed the suitability of this domain for NS signal analysis, a new formulation for obtaining AD transformation is introduced. The number theory concepts, specifically the even-ordered Ramanujan Sums (RS) are used to obtain the proposed transform function. A detailed investigation and comparison to the classical approach, on this novel class of functions reveals the many benefits of the RS-modified AD functions: inherent sparsity in representation, dimensionality reduction, and robustness to noise. The next contribution in this work, is the proposal of kernel modifications in AD for obtaining high resolution (and good time localization) distribution. This is motivated by the existing trade-off between TF resolution and interfering term reduction in TF distributions. Here, certain variants of TF kernels are proposed in the AD. In addition, kernels that are derived from the concept of learning machines are introduced for discriminative characterization of NS signals. Following this, two novel AD-based schemes for neurological disorder discrimination using gait and pathological speech detection are introduced. The performance evaluation of these AD-based schemes, using a linear classifier, resulted in a maximum overall classification accuracy of 93.1% and 97.5% for gait and pathological speech applications respectively. The accuracies were obtained after a rigorous leave-one-out technique validation strategy.These results further confirm the potential of the proposed schemes for efficient information extraction for real-life signals.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».