Nearly symmetric orthogonal wavelets for time-frequency-shape joint analysis: Introducing the discrete shapelet transform’s third generation (DST-III) for nonlinear signal analysis

Guido, Rodrigo Capobianco

doi:10.1016/j.cnsns.2020.105685

Cited by 6 publications

(13 citation statements)

References 62 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…But why do learning-based methods excel where human sorting efficiency is oftentimes inconsistent? Deep learning takes the advantage of non-linear relationship modeling, which means if associations between inputs and outputs are not straight-line, strategy finding patterns in these links might actually outperform algorithmic methods (Markanday et al, 2020 ; Guido, 2021 ).…”

Section: The Common Spike Sorting Proceduresmentioning

confidence: 99%

From End to End: Gaining, Sorting, and Employing High-Density Neural Single Unit Recordings

Bod

Rokai

Meszéna

et al. 2022

Front. Neuroinform.

View full text Add to dashboard Cite

The meaning behind neural single unit activity has constantly been a challenge, so it will persist in the foreseeable future. As one of the most sourced strategies, detecting neural activity in high-resolution neural sensor recordings and then attributing them to their corresponding source neurons correctly, namely the process of spike sorting, has been prevailing so far. Support from ever-improving recording techniques and sophisticated algorithms for extracting worthwhile information and abundance in clustering procedures turned spike sorting into an indispensable tool in electrophysiological analysis. This review attempts to illustrate that in all stages of spike sorting algorithms, the past 5 years innovations' brought about concepts, results, and questions worth sharing with even the non-expert user community. By thoroughly inspecting latest innovations in the field of neural sensors, recording procedures, and various spike sorting strategies, a skeletonization of relevant knowledge lays here, with an initiative to get one step closer to the original objective: deciphering and building in the sense of neural transcript.

show abstract

Section: The Common Spike Sorting Proceduresmentioning

confidence: 99%

From End to End: Gaining, Sorting, and Employing High-Density Neural Single Unit Recordings

Bod

Rokai

Meszéna

et al. 2022

Front. Neuroinform.

View full text Add to dashboard Cite

show abstract

“…Guido y colaboradores [11,9,10] construyeron wavelets adaptadas con la Transformada Shapelet Discreta (DST), que determina el soporte en el tiempo no solo de las frecuencias, sino también de la forma de un patrón. La DST-I [11] incluyó una restricción basada en dimensión fractal y resolvió el sistema de ecuaciones no lineales (SENL) formado por esta restricción y otras de energía unitaria, momentos nulos y ortogonalidad.…”

Section: Introductionunclassified

“…Por eso, la DST-II [9] sustituyó la restricción de fractalidad por dos restricciones de correlación con el patrón. En la tercera versión, DST-III [10], se propuso la obtención de wavelets casi simétricas cambiando la restricción de momentos nulos por la de simetría [16].…”

Section: Introductionunclassified

“…Con un enfoque cercano a la Transformada Wavelet Discreta (TWD), Rodrigo Capobianco Guido y colaboradores [11,9,10] presentan tres versiones de la llamada Transformada Shapelet Discreta (DST, en inglés); una transformada creada no solo para determinar el soporte en el tiempo de las frecuencias de una señal, sino también para detectar un patrón en esta. La DST está construida para detectar dicho patrón independientemente de su amplitud, y presenta la misma complejidad temporal de cualquier TWD al descomponer una señal para un mismo tamaño de soporte.…”

Section: Introductionunclassified

“…En la tercera versión, DST-III [10], se propone la obtención de wavelets casi simétricas utilizando un enfoque muy similar a la DST-II, donde se cambia la restricción de momentos nulos por la usada por Daubechies para construir sus Symlets [5].…”

Section: Introductionunclassified

See 2 more Smart Citations

Influencia en la detección de patrones de la solución del sistema no lineal en una Transformada Shapelet discreta II

Valdés-Santiago,

León-Mecías,

Baguer Díaz-Romañach

et al. 2024

Rev. mat. (En línea)

View full text Add to dashboard Cite

El uso de wavelets adaptadas para el reconocimiento de patrones es muy atractivo por la multiescalaridad de la transformada wavelet. Sin embargo, el buen desempeño de estos algoritmos en la detección de patrones depende fuertemente de la construcción de los filtros adaptados al patrón de interés. La Transformada Shapelet Discreta II [9] (DST-II) es un algoritmo inspirado en la transformada wavelet, que permite el diseño de filtros a la medida para la detección de patrones en señales unidimensionales. La construcción de estos filtros requiere la solución de un sistema de ecuaciones no lineales, que según [9] se puede efectuar mediante cualquier método iterativo. Esta investigación presenta un novedoso y exhaustivo estudio numérico que demuestra el impacto de la elección del método numérico adecuado para la solución del sistema no lineal en la DST-II. La eficacia de los filtros estimados repercute en el desempeño de esta transformada en la detección de patrones. Los mejores resultados se obtienen al combinar el método de Newton con preiteración mediante el algoritmo de continuación. La convergencia alcanzada para el 55, 37% de los patrones sugiere que la DST-II podría ser adecuada para patrones con formas específicas, de utilidad en aplicaciones sobre señales biomédicas.

show abstract

Covid-19 Detection by Wavelet Entropy and Cat Swarm Optimization

Wang

2022

IoT and Big Data Technologies for Health Care

View full text Add to dashboard Cite

Nearly symmetric orthogonal wavelets for time-frequency-shape joint analysis: Introducing the discrete shapelet transform’s third generation (DST-III) for nonlinear signal analysis

Cited by 6 publications

References 62 publications

From End to End: Gaining, Sorting, and Employing High-Density Neural Single Unit Recordings

From End to End: Gaining, Sorting, and Employing High-Density Neural Single Unit Recordings

Influencia en la detección de patrones de la solución del sistema no lineal en una Transformada Shapelet discreta II

Covid-19 Detection by Wavelet Entropy and Cat Swarm Optimization

Contact Info

Product

Resources

About