STFT统计分析

机器算法验证 时间序列 假设检验 方差分析 傅里叶变换
2022-03-16 07:03:05

我正在使用 R 包中的evolfft函数对RSEIS信号进行 STFT 分析。

该信号长达一小时,在 3 种不同条件下获得,特别是 0-20' 控制、20'-40' 刺激、40'-60' 刺激后。

从视觉上看,我看到这 3 个时期的频谱图发生了变化,治疗期间频率更高,FFT 功率增加,但我想知道是否可以进行某种统计分析来“输入一些数字”。

有什么建议吗?

编辑:按照建议,我将添加一个我正在处理的数据示例

STFT 示例

处理在 20' 和 40' 之间,您可以看到它在相当宽的频率范围内增加了 FFT 的功率。每个实验我有 50-60 个这样的 STFT(总共 10 个实验)。我可以平均每个实验的光谱,仍然得到类似类型的图案。现在,我的问题是如何正确量化我拥有的数据,并可能做一些统计数据来比较治疗前、治疗中和治疗后的情况。

1个回答

我认为频谱图的使用在视觉上很有趣,但由于频率上的信息冗余,利用起来并不那么明显。我们可以看到,不同时期的变化是显而易见的。另外我会回到最初的问题,你有 3 个不同的时间段索引k=1,2,3一套n(n=50) 长度信号T>0i=1,,nXikRT.

由此我会简单地做某种“功能方差分析”(或“多元方差分析”):

Xik(t)=μk+βk(t)+ϵk,i(t)

并测试平均值的差异,即测试β1β2=0相对β1β2>ρ.

您可能对本文感兴趣,而且本文涉及不同的 FANOVA 建模。您真实案例中的难点可能是这些论文中所做的所有假设都是错误的(同方差性或平稳性,......),您可能需要构建一个适合您的问题的不同“功能”测试。

请注意,您使用多尺度分析的想法不会在这里丢失,因为您可以将其集成到测试中(如果我记得这是我提到的第一篇论文中所做的)。