[论文解读] On the use of Singular Spectrum Analysis

Ana Maria Tomé, Daniel Malafaia+2 more|arXiv (Cornell University)|Jul 27, 2018

Statistical and numerical algorithms参考文献 21被引用 8

一句话总结

本文通过从SSA特征向量推导出的频率响应，将奇异谱分析（SSA）解释为一种数据自适应的滤波器组，从而实现对信号分量的改进识别。通过根据每个滤波器响应的峰值频率而非幅值对特征值重新排序，SSA实现了对窄带信号的精确提取和功率谱估计，在脑电信号（EEG）和长期演进（LTE）信号应用中得到验证。

ABSTRACT

Singular Spectrum Analysis (SSA) or Singular Value Decomposition (SVD) are often used to de-noise univariate time series or to study their spectral profile. Both techniques rely on the eigendecomposition of the cor- relation matrix estimated after embedding the signal into its delayed coordi- nates. In this work we show that the eigenvectors can be used to calculate the coefficients of a set of filters which form a filter bank. The properties of these filters are derived. In particular we show that their outputs can be grouped according to their frequency response. Furthermore, the fre- quency at the maximum of each frequency response and the corresponding eigenvalue can provide a power spectrum estimation of the time series. Two different applications illustrate how both characteristics can be applied to analyze wideband signals in order to achieve narrow-band signals or to infer their frequency occupation.

研究动机与目标

• 为解决标准SSA在识别相关信号分量方面的局限性，提出基于滤波器响应最大值而非幅值对特征值进行重排。
• 实现在宽带信号中更精确地提取窄带分量，特别是在生物医学和认知无线电应用中。
• 提供一个统一框架，结合特征谱分析与频率响应特征分析，以增强谱估计和信号重构。
• 在涉及脑电信号（EEG）和LTE上行链路控制信号的实际场景中，展示该方法的实用性。
• 表明基于滤波器峰值频率的特征值排序，相比传统特征值排序，能更有效地检测弱信号或窄带分量。

提出的方法

• 使用预设的嵌入维数 M 和时间延迟坐标，将一元时间序列嵌入到轨迹矩阵中。
• 计算轨迹矩阵的相关矩阵，并进行特征分解，得到特征向量和特征值。
• 将每个特征向量用作有限冲激响应（FIR）滤波器的冲激响应，构成用于信号分解的滤波器组。
• 利用线性时不变系统理论，以闭式形式推导每个滤波器的频率响应，实现谱表征。
• 根据每个滤波器响应达到最大值时的频率，而非幅值，对特征值进行重排。
• 通过将原始信号投影到选定滤波器上，再应用对角平均法，实现信号分量的重构，从而恢复一元时间序列。

实验结果

研究问题

• RQ1 SSA相关矩阵的特征向量如何被解释为滤波器？这些滤波器具有哪些特性？
• RQ2 当特征值按其对应滤波器响应的峰值频率排序时，特征值与功率谱之间存在何种关系？
• RQ3 与标准特征值排序相比，基于滤波器峰值频率重排特征值是否能提升对窄带信号分量的识别能力？
• RQ4 这种滤波器组解释如何增强在真实信号（如EEG和LTE PUCCH）中的信号重构与谱估计性能？
• RQ5 该方法能否在噪声环境中可靠检测弱信号或瞬态信号，例如短时长的LTE控制信号？

主要发现

• 每个SSA滤波器的频率响应以闭式形式推导得出，可直接分析各分量的谱内容。
• 基于对应滤波器响应峰值频率对特征值进行重排，可实现对信号分量在频域中的精确定位。
• 在EEG示例中，该方法通过将特征值与滤波器频率最大值匹配，成功分离出经典EEG频带（如α波、β波）中的窄带分量。
• 对于LTE PUCCH信号，该方法在k=2段中识别出占据最高频段（f > 360 kHz）的低功率信号，该信号在仅依赖特征值幅值时并不明显。
• 子段中的特征值比值可检测到信号的存在，但只有基于滤波器峰值频率的特征值重排才能实现频带定位。
• 基于滤波器峰值频率排序的特征值推导出的功率谱估计，相比传统特征值排序，提供了更准确且更易解释的谱表示。