Questions tagged «signal-detection»

信号检测实验通常向观察者（或诊断系统）呈现信号或非信号，并且要求观察者报告他们是否认为所呈现的物品是信号还是非信号。此类实验产生的数据填充2x2矩阵： 信号检测理论表示这样的数据，即表示“信号/非信号”决策基于信号连续性的场景，在这种情况下，信号试验通常比非信号试验具有更高的价值，观察者只需选择一个标准值，高于该值他们将报告“信号”： 在上图中，绿色和红色分布分别代表“信号”分布和“非信号”分布，而灰线则代表给定观察者选择的标准。在灰线的右侧，绿色曲线下方的区域表示命中，红色曲线下方的区域表示误报警。在灰线的左侧，绿色曲线下方的区域表示未命中，红色曲线下方的区域表示正确的拒绝。 可以想象，根据此模型，落入上面2x2表的每个单元格中的响应比例由以下方式确定： 从绿色和红色分布中采样的试验的相对比例（基本比率） 观察者选择的标准 分布之间的分离 每个分布的方差 分布之间的方差相等有任何偏离（上面描述了方差相等） 每个分布的形状（以上均为高斯分布） 通常，只能通过让观察者在多个不同的标准级别上做出决策来评估＃5和＃6的影响，因此我们暂时将其忽略。另外，＃3和＃4仅相对于彼此有意义（例如，相对于分布的可变性而言，间隔有多大？），通过“可区分性”（也称为d'）的度量来概括。因此，信号检测理论禁止根据信号检测数据评估两个属性：标准和可辨别性。 但是，我经常注意到，研究报告（尤其是医学领域的报告）未能应用信号检测框架，而是尝试分析诸如“正预测值”，“负预测值”，“灵敏度”和“特异性”之类的量。 ”，它们都代表与上面2x2表不同的边际值（有关详细信息，请参见此处）。 这些边际属性提供什么效用？我倾向于完全无视它们，因为它们混淆了标准和可辨别性的理论上独立的影响，但我可能只是缺乏想象力来考虑它们的好处。

14 diagnostic  signal-detection 

在机器学习中，我们可以使用ROC曲线下的面积（通常缩写为AUC或AUROC）来总结系统在两个类别之间的区分程度。在信号检测理论中，通常将（灵敏度指标）用于类似目的。两者是紧密相连的，如果满足某些假设，我相信它们彼此等效。d′d′d' 的的计算通常是基于假设正态分布的信号分布（见维基链接以上，例如）呈现。ROC曲线计算不做此假设：它适用于任何可输出可阈值的连续值决策标准的分类器。d′d′d' 维基百科说是相当于。如果两个假设都满足，这似乎是正确的。但是，如果假设不相同，那就不是普遍真理。d′d′d'2AUC−12AUC−12 \text{AUC} - 1 将假设的差异描述为“ AUC对基本分布做出的假设更少”是否公平？还是实际上与AUC一样广泛适用，但是使用人们倾向于使用假设正态分布的计算只是一种惯例？我错过的基本假设是否还有其他差异？d′d′d'd′d′d'

13 machine-learning  roc  auc  signal-detection  d-prime 

我想为涉及检测新旧项目的存储任务计算d素数。我的问题是某些受试者的命中率为1和/或错误警报率为0，这使概率分别为100％和0％。 对于式d素是d' = z(H) - z(F)，在这里z(H)和z(F)分别命中率和假警报，的Z转换。 为了计算z变换，我使用Excel函数NORMSINV（即z(H)=NORMSINV(hit rate)）。但是，如果命中率或误报警率分别为1或0，该函数将返回错误。据我了解，这是因为z变换指示ROC曲线下的面积，在数学上不允许100％或0％的概率。在这种情况下，我不确定如何为具有天花板表现的拍摄对象计算d'。 一个网站建议用1-1 /（2N）和1 / 2N替换1和0比率，其中N为最大点击和错误警报数。另一个网站说“ H或F都不可以是0或1（如果是，请向上或向下稍微调整一下”）。这似乎是任意的。是否有人对此有意见或想向我指出正确的资源？

10 roc  excel  signal-detection  d-prime 

我正在测量细胞信号测量中是否存在响应。我要做的是首先对数据的时间序列应用平滑算法（Hanning），然后检测峰值。我得到的是： 如果我想使响应的检测比“是的，您看到连续下降的趋势有所提高”更加客观，那么最好的方法是什么？通过线性回归确定峰与基线之间的距离吗？ （我是python编码人员，几乎不了解统计信息） 谢谢

9 time-series  python  signal-detection 

希望这不是太主观... 无论音乐风格如何，我都在寻找某种方向来检测歌曲的不同“部分”。我不知道在哪里看，但是相信其他StackOverflow网站的强大功能，我认为这里有人可以帮助您指明方向。 用最基本的术语来说，只要将连续的重复模式分组并将其称为“部分”，就可以检测到歌曲的不同部分。这可能并不那么难-即使有很小的变化，计算机也可以很好地检测信号的重复。 但是，“部分”重叠时却很难，就像大多数音乐中那样。 很难说哪种音乐最适合这种系统。我猜想大多数古典风格的交响音乐都将最容易处理。 关于在该领域寻找研究的任何想法？

9 signal-detection