Теория обнаружения или теория обнаружения сигналов — это средство измерения способности различать модели, несущие информацию (называемые стимулом в живых организмах, сигналом в машинах) и случайными закономерностями, которые отвлекают от информации (называемыми шумом , состоящим из фоновых стимулов и случайной активности). машины обнаружения и нервной системы оператора).
В области электроники восстановление сигнала — это отделение таких закономерностей от маскирующего фона. [1]
Согласно теории, существует ряд факторов, определяющих то, как система обнаружения обнаружит сигнал и где будут его пороговые уровни. Теория может объяснить, как изменение порога повлияет на способность различать, часто показывая, насколько система адаптирована к задаче, цели или цели, на которую она нацелена. Если системой обнаружения является человек, на применяемый порог могут влиять такие характеристики, как опыт, ожидания, физиологическое состояние (например, усталость) и другие факторы. Например, часовой в военное время может обнаружить более слабые стимулы, чем тот же часовой в мирное время, из-за более низкого критерия, однако он также может с большей вероятностью воспринять безобидные стимулы как угрозу.
Большая часть ранних работ в области теории обнаружения была проделана исследователями радаров . [2] К 1954 году теория была полностью разработана с теоретической стороны, как описано Петерсоном , Бердсоллом и Фоксом [3] , а фундамент психологической теории был заложен Уилсоном П. Таннером, Дэвидом М. Грином и Джоном А. Светс , также в 1954 году. [4] Теория обнаружения была использована в 1966 году Джоном А. Светсом и Дэвидом М. Грином в психофизике . [5] Грин и Светс раскритиковали традиционные методы психофизики за их неспособность различать реальную чувствительность субъектов и их (потенциальные) предвзятые реакции . [6]
Теория обнаружения находит применение во многих областях, таких как диагностика любого рода, контроль качества , телекоммуникации и психология . Эта концепция аналогична соотношению сигнал/шум, используемому в науке, и матрицам путаницы , используемым в искусственном интеллекте . Его также можно использовать при управлении тревогами , где важно отделить важные события от фонового шума .
Теория обнаружения сигналов (SDT) используется, когда психологи хотят измерить то, как мы принимаем решения в условиях неопределенности, например, как мы будем воспринимать расстояния в туманных условиях или во время опознания очевидцев . [7] [8] SDT предполагает, что лицо, принимающее решения, является не пассивным получателем информации, а активным лицом, принимающим решения, которое делает трудные перцептивные суждения в условиях неопределенности. В условиях тумана мы вынуждены решать, насколько далеко от нас находится объект, основываясь исключительно на зрительных стимулах, которые ослабляются туманом. Поскольку яркость объекта, например светофора, используется мозгом для определения расстояния до объекта, а туман снижает яркость объектов, мы воспринимаем объект как гораздо дальше, чем он есть на самом деле (см. также теория принятия решений ). По данным SDT, во время опознания свидетелей свое решение о том, является ли подозреваемый виновником или нет, свидетели основывают на предполагаемом уровне знакомства с подозреваемым.
Чтобы применить теорию обнаружения сигналов к набору данных, в котором стимулы либо присутствовали, либо отсутствовали, а наблюдатель классифицировал каждое испытание как наличие или отсутствие стимула, испытания сортируются по одной из четырех категорий:
На основе пропорций этих типов испытаний можно получить численные оценки чувствительности с помощью таких статистических данных, как индекс чувствительности d' и A' [9] , а систематическую ошибку ответа можно оценить с помощью таких статистических данных, как c и β. [9] β — мера систематической ошибки ответа. [10]
Теорию обнаружения сигналов также можно применять к экспериментам с памятью, когда элементы вносятся в список исследований для последующего тестирования. Список тестов создается путем объединения этих «старых» предметов с новыми, «новыми» предметами, которых не было в списке исследований. На каждое тестовое испытание испытуемый будет отвечать «да, это было в списке исследований» или «нет, этого не было в списке исследований». Предметы, представленные в списке для изучения, называются Целями, а новые предметы — Отвлекателями. Сказать «Да» цели считается попаданием, а сказать «Да» отвлекающему устройству — ложной тревогой.
Теория обнаружения сигналов имеет широкое применение как у людей, так и у животных . Темы включают память , характеристики стимулов, графики подкрепления и т. д.
Концептуально чувствительность означает, насколько сложно или легко обнаружить наличие целевого стимула по фоновым событиям. Например, в парадигме узнавающей памяти увеличение времени на изучение слов, которые нужно запомнить, облегчает распознавание ранее увиденных или услышанных слов. Напротив, необходимость запоминать 30 слов, а не 5, усложняет распознавание. Одной из наиболее часто используемых статистических данных для расчета чувствительности является так называемый индекс чувствительности или d' . Существуют также непараметрические меры, такие как площадь под ROC-кривой . [6]
Смещение — это степень, в которой одна реакция более вероятна, чем другая, в среднем для случаев присутствия и отсутствия стимула. То есть приемник может с большей вероятностью в целом отреагировать на наличие стимула или с большей вероятностью в целом отреагировать на отсутствие стимула. Смещение не зависит от чувствительности. Смещение может быть желательным, если ложные тревоги и промахи приводят к различным затратам. Например, если стимулом является террорист, то промах (неспособность обнаружить террориста) может стоить дороже, чем ложная тревога (сообщение о террористе, когда его нет), что делает желательным либеральный стимул реагирования. Напротив, слишком частая подача ложных сигналов тревоги ( «плачущий волк ») может снизить вероятность реакции людей, и эту проблему можно уменьшить за счет консервативной предвзятости в ответах.
Другая область, тесно связанная с теорией обнаружения сигналов, называется сжатым зондированием (или компрессионным зондированием). Целью сжатого измерения является восстановление объектов высокой размерности, но с низкой сложностью, всего лишь по нескольким измерениям. Таким образом, одним из наиболее важных применений сжатого зондирования является восстановление сигналов большой размерности, которые, как известно, являются редкими (или почти редкими) с помощью всего лишь нескольких линейных измерений. Количество измерений, необходимых для восстановления сигналов, намного меньше, чем того требует теорема выборки Найквиста, при условии, что сигнал разрежен, а это означает, что он содержит только несколько ненулевых элементов. Существуют различные методы восстановления сигнала при сжатом зондировании, включая поиск базиса , алгоритм восстановления расширителя [11] , CoSaMP [12] , а также быстрый неитеративный алгоритм . [13] Во всех упомянутых выше методах восстановления большое значение имеет выбор подходящей матрицы измерений с использованием вероятностных или детерминированных конструкций. Другими словами, матрицы измерений должны удовлетворять определенным конкретным условиям, таким как RIP (свойство ограниченной изометрии) или свойство нулевого пространства, чтобы обеспечить надежное разреженное восстановление.
В случае принятия решения между двумя гипотезами , H1 , отсутствует, и H2 , присутствует, в случае конкретного наблюдения , y , классический подход состоит в выборе H1 , когда p(H1|y) > p(H2|y ) и H2 в обратном случае. [14] В случае, если две апостериорные вероятности равны, можно выбрать по умолчанию один вариант (либо всегда выбирать H1 , либо всегда выбирать H2 ), либо можно случайным образом выбрать либо H1 , либо H2 . Априорные вероятности H1 и H2 могут определять этот выбор, например , всегда выбирая гипотезу с более высокой априорной вероятностью.
При использовании этого подхода обычно известны условные вероятности p(y|H1) и p(y|H2) , а также априорные вероятности и . В этом случае,
,
где p(y) — полная вероятность события y ,
.
H2 выбирается в случае, если
и H1 в противном случае.
Часто это соотношение называют и называют отношением правдоподобия .
Используя эту терминологию, H2 выбирается в случае . Это называется тестированием MAP, где MAP означает «максимум апостериорно »).
Использование такого подхода сводит к минимуму ожидаемое количество ошибок, которые можно допустить.
В некоторых случаях гораздо важнее правильно отреагировать на H1 , чем на H2 . Например, если срабатывает сигнал тревоги, указывающий H1 (приближающийся бомбардировщик несет ядерное оружие ), гораздо важнее сбить бомбардировщик, если H1 = TRUE, чем избегать отправки истребительной эскадрильи для проверки ложного сообщения. сигнал тревоги (т. е. H1 = ЛОЖЬ, H2 = ИСТИНА) (при условии большого запаса истребительных эскадрилий). Критерий Байеса — подход, подходящий для таких случаев . [14]
Здесь утилита связана с каждой из четырех ситуаций:
Как показано ниже, важны различия и .
Аналогично, для каждого случая существует четыре вероятности , , и т. д. (которые зависят от стратегии принятия решения).
Подход с использованием критерия Байеса заключается в максимизации ожидаемой полезности:
Фактически можно максимизировать сумму,
,
и сделаем следующие замены:
где и — априорные вероятности, и — область событий наблюдения, y , на которые реагируют так, как будто H1 является истинным.
и, таким образом, максимизируются за счет распространения на область, где
Это достигается путем принятия решения H2 в случае, если
и H1 в противном случае, где L(y) — определенное таким образом отношение правдоподобия .
Дас и Гейслер [15] расширили результаты теории обнаружения сигналов для нормально распределенных стимулов и вывели методы расчета частоты ошибок и матрицы путаницы для идеальных наблюдателей и неидеальных наблюдателей для обнаружения и классификации одномерных и многомерных нормальных сигналов от двух или более категории.