郭若思；张春明；张正军 最大独立分量分析在脑电数据中的应用。 （英语） Zbl 07292501号 统计科学。 35，第1期，145-157（2020）. 小结：在许多科学学科中，发现观测数据背后隐藏的影响因素是必要的，但具有挑战性。现有的大多数方法，如独立分量分析（ICA），都依赖于线性变换，即真实信号是隐藏分量的线性组合。受神经科学、遗传学和金融学中非线性时间信号分析的启发，本文提出了基于最大线性成分组合的“最大独立成分分析”（MaxICA）。与现有方法相比，MaxICA的优势在于专注于重要的主要组件，同时过滤掉可忽略的组件。MaxICA参数学习的主要工具是一种增广遗传算法，它由精英加权和选择、随机组合交叉和动态变异三种方案组成。大量的经验评估表明，MaxICA在提取许多应用中的最大线性组合基本源或为非线性组合源信号（如本文分析的脑电图记录）提供更好的近似值方面都是有效的。 引用于1文件 MSC公司： 62至XX 统计 关键词：盲源分离；遗传算法；图像分析；非线性时间序列；最优化 软件：TSA（交通安全管理局） PDF格式BibTeX公司 XML格式引用 \textit{R.Guo}等人，《统计科学》。35，第1号，145--157（2020；Zbl 07292501） 全文： 内政部 欧几里得 参考文献： [1] Andrzejak，R.G.、Schindler，K.和Rummel，C.（2012）。癫痫患者脑电图记录的非随机性、非线性依赖性和非平稳性。物理学。版本：E 86 046206。 [2] Artoni，F.、Delorme，A.和Makeig，S.（2018年）。通过主成分分析对脑电数据进行降维，降低了其后续独立成分分解的质量。神经影像175 176-187。 [3] Bronkhorst，A.W.（2000年）。鸡尾酒会现象：多人通话条件下言语可懂度研究综述。《阿库斯特学报》。阿库斯特。86 117-128。 [4] Chen，A.和Bickel，P.J.（2006）。高效的独立成分分析。安。统计师。34 2825-2855. ·Zbl 1114.62033号 ·doi:10.1214/0090536000000939 [5] Cramér，H.和Leadbetter，M.r.（1967年）。平稳和相关随机过程。示例函数属性及其应用。纽约威利·Zbl 0162.21102号 [6] Cryer，J.D.和Chan，K.-S.（2008年）。时间序列回归模型。时间序列分析及其在R中的应用，第11章249-276。 [7] Delorme，A.、Makeig，S.、Fabre-Thorpe，M.和Sejnowski，T.（2002）。从单次试验脑电图到脑区动力学。神经计算44 1057-1064·Zbl 1007.68790号 ·doi:10.1016/S0925-2312（02）00415-0 [8] Delorme，A.、Rousselet，G.A.、Mace，M.J.-M.和Fabre-Thorpe，M.（2004）。自然场景快速视觉分析中自顶向下和自下而上处理的交互。认知。脑研究19 103-113。 [9] Driss，I.、Mouss，K.N.和Laggoun，A.（2015）。一种新的求解柔性作业车间调度问题的遗传算法。J.机械。科学。Technol公司。29 1273-1281. [10] Fabre-Thorpe，M.、Delorme，A.、Marlot，C.和Thorpe，S.（2001年）。对新自然场景的超快速视觉分类中处理速度的限制。J.认知。神经科学。13 171-180. [11] Fan，J.和Yao，Q.（2003）。非线性时间序列：非参数和参数方法。统计学中的斯普林格系列。纽约州施普林格·兹比尔1014.62103 [12] Gao，S.，Shi，L.和Zhang，Z.（2018）。一种用于全局优化的峰值-阈值搜索方法。Automatica J.IFAC 89 83-91·Zbl 1387.93141号 ·doi:10.1016/j.automatica.2017.12.002 [13] Goldberg，D.E.和Deb，K.（1991年）。遗传算法中选择方案的比较分析。《遗传算法基础》（Bloomington，In，1990）69-93。Morgan Kaufmann，加利福尼亚州圣马特奥。 [14] Guo，R.，Zhang，C.和Zhang（2020）。补充“最大独立成分分析应用于（EEG）数据”https://doi.org/10.1214/19-STS763SUPP。 [15] Guo，Y.和Tang，L.（2013）。多学科fMRI研究概率独立成分分析的层次模型。生物统计学69 970-981·Zbl 1419.62359号 ·doi:10.1111/biom.12068 [16] Hassan，I.（2015）。组合交叉算子。Res.J.应用。科学。10 75-79. [17] Haup，R.L.和Haupt，S.E.（1998年）。实用遗传算法。Wiley-Interscience出版物。纽约威利·Zbl 0940.68107号 [18] Huang，H.，Lu，J.，Wu，J.、Ding，Z.、Chen，S.、Duan，L.、Cui，J.和Chen，F.、Kang，D.等人（2018年）。基于独立成分分析的血氧水平依赖性功能磁共振成像肿瘤组织检测。科学。代表8。文章编号：1223。 [19] Hyvärinen，A.、Karhunen，J.和Oja，E.（2001年）。独立成分分析。纽约威利。 [20] Hyvärinen，A.和Oja，E.（2000年）。独立成分分析：算法和应用。神经网络。13 411-430. [21] Jebari，K.和Madiafi，M.（2013年）。遗传算法的选择方法。国际急诊科学杂志。3 333-344. [22] Kassuf，A.、Bouveresse，D.J.-R和Rutledge，D.N.（2018年）。在独立成分分析中确定最佳成分数量。塔兰塔179 538-545。 [23] Nascimento，M.、Silva，F.、Safadi，T.、Nascimonto，A.C.C.、Ferreira，T.E.M.、Barroso，L.M.A.、Azevedo，C.F.、Guimar aes，S.E.和Ser ao，N.V.（2017年）。基于独立成分分析（ica）的时间rna-seq数据聚类。公共图书馆综合频道12 e0181195。 [24] Naveau，P.、Zhang，Z.和Zhu，B.（2011）。极大自回归模型的推广。统计接口4 253-266·Zbl 1513.62178号 ·doi:10.4310/SII.2011.v4.n2.a19 [25] Obitko，M.、Slavik，P.和Walter，P.（1998年）。遗传算法简介。http://www.obitko.com/tutorials/genetic-algorithms/index.php。 [26] Paes，F.G.、Pessoa，A.A.和Vidal，T.（2017）。非等面积设施布局问题的一种带分解阶段的混合遗传算法。《欧洲期刊》。第256 742-756号决议·Zbl 1394.90576号 ·doi:10.1016/j.ejor.2016.07.022 [27] Shoeb，A.H.（2009年）。机器学习在癫痫发作检测和治疗中的应用马萨诸塞州剑桥麻省理工学院博士论文。 [28] Sokol，A.、Maathuis，M.H.和Falkeborg，B.（2014）。在独立成分分析中量化可识别性。电子。《美国联邦法律大全》第8卷第1438-1459页·兹比尔1298.62045 ·doi:10.1214/14-EJS932 [29] Thierens，D.（2002）。遗传算法中的自适应变异率控制方案。《进化计算》，2002年。CEC’02。1980-985年2002年国会会议记录。IEEE，纽约。 [30] Umbarkar，A.和Sheth，P.（2015）。遗传算法中的交叉算子：综述。ICTACT J.软计算。06 1083-1092. [31] 张，C。 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。