В статистике , масштабируются корреляция является формой коэффициента корреляции , применимой к данным , которые имеют временную компонент , такие как временные ряды . Это средняя краткосрочная корреляция. Если сигналы имеют несколько компонентов (медленных и быстрых), масштабированный коэффициент корреляции может быть вычислен только для быстрых компонентов сигналов, игнорируя вклад медленных компонентов. [1] Эта подобная фильтрации операция имеет то преимущество, что не нужно делать предположений о синусоидальном характере сигналов.
Например, при изучении сигналов мозга исследователи часто интересуются высокочастотными компонентами (бета и гамма-диапазон; 25–80 Гц) и могут не интересоваться более низкими частотными диапазонами (альфа, тета и т. Д.). В этом случае масштабированная корреляция может быть вычислена только для частот выше 25 Гц путем выбора масштаба анализа, s , чтобы соответствовать периоду этой частоты (например, s = 40 мс для колебаний 25 Гц).
Определение [ править ]
Масштабированная корреляция между двумя сигналами определяется как средняя корреляция, вычисленная по коротким сегментам этих сигналов. Во-первых, необходимо определить количество сегментов, которые могут уместиться в общую длину сигналов для заданного масштаба :
Далее, если это коэффициент корреляции Пирсона для сегмента , масштабированная корреляция по полным сигналам вычисляются как
Эффективность [ править ]
В подробном анализе Nikolić et al. [1] показали, что степень ослабления вкладов медленных компонентов зависит от трех факторов: выбора масштаба, соотношения амплитуд между медленным и быстрым компонентами и различий в частотах их колебаний. Чем больше разница в частотах колебаний, тем эффективнее удаляются вклады медленных составляющих из вычисленного коэффициента корреляции. Точно так же, чем меньше мощность медленных компонентов по сравнению с быстрыми компонентами, тем лучше будет масштабированная корреляция.
Приложение к взаимной корреляции [ править ]
Масштабированная корреляция может применяться к авто- и кросс-корреляции , чтобы исследовать, как корреляции высокочастотных компонентов меняются при различных временных задержках. Чтобы правильно вычислить кросс-масштабную корреляцию для каждого временного сдвига, необходимо заново сегментировать сигналы после каждого временного сдвига. Другими словами, сигналы всегда сдвигаются до применения сегментации. Масштабированную корреляцию впоследствии использовали для исследования центров синхронизации в зрительной коре [2]. Масштабную корреляцию можно также использовать для выделения функциональных сетей. [3]
Преимущества перед методами фильтрации [ править ]
Масштабированная корреляция во многих случаях должна быть предпочтительнее фильтрации сигналов на основе спектральных методов. Преимущество масштабной корреляции заключается в том, что она не делает предположений о спектральных свойствах сигнала (например, о синусоидальных формах сигналов). Николич и др. [1] показали, что использование теоремы Винера – Хинчина для удаления медленных компонентов уступает результатам, полученным с помощью масштабной корреляции. Эти преимущества становятся очевидными, особенно когда сигналы являются непериодическими или когда они состоят из дискретных событий, таких как отметки времени, в которые были обнаружены потенциалы действия нейронов.
Связанные методы [ править ]
Подробное представление о корреляционной структуре в различных масштабах может быть получено путем визуализации с использованием корреляционного анализа с несколькими разрешениями. [4]
См. Также [ править ]
- Автокорреляция
- Когерентность (обработка сигналов)
- Свертка
- Корреляция
- Взаимная корреляция
- Фазовая корреляция
- Спектральная плотность
- Кросс-спектр
- Теорема Винера – Хинчина
Ссылки [ править ]
- ^ a b c Николич Д., Муресан Р.К., Фенг В., Зингер В. (2012) Масштабный корреляционный анализ: лучший способ вычисления кросс-коррелограммы. Европейский журнал нейробиологии , стр. 1–21, DOI: 10.1111 / j.1460-9568.2011.07987.x http://www.danko-nikolic.com/wp-content/uploads/2012/03/Scaled-correlation- analysis.pdf
- ^ Folias, SE, S. Yu, A. Snyder, D. Nikolić и JE Rubin (2013) Центры синхронизации в зрительной коре могут возникать из-за сильного ритмического торможения во время гамма-колебаний. Европейский журнал нейробиологии , 38 (6): 2864–2883.
- ^ Dolean, S., Dînşoreanu, М., Muresan, RC, Geiszt А., Potolea, R., & Ţincaş, I. (2017, сентябрь). Подход на основе масштабной корреляции для определения и анализа функциональных сетей. В Международном семинаре по новым границам в структуре горных комплексов (стр. 80–92). Спрингер, Чам.
- Перейти ↑ Pasanen, L., & Holmström, L. (2016). «Масштабный пространственный анализ корреляции с множественным разрешением для данных временных рядов» Вычислительная статистика , 1-22.
Бесплатные источники [ править ]
- Бесплатный исходный код для вычисления масштабированной взаимной корреляции и интерфейс для MATLAB можно скачать здесь: http://www.raulmuresan.ro/sources/corrlib/
- Простой демонстрационный код на Python: https://github.com/dankonikolic/Scaled-Correlation