ทฤษฎีการตรวจจับ

ทฤษฎีการตรวจจับหรือทฤษฎีการตรวจจับสัญญาณเป็นวิธีการวัดความสามารถในการแยกความแตกต่างระหว่างรูปแบบที่มีข้อมูล (เรียกว่าสิ่งเร้าในสิ่งมีชีวิตสัญญาณในเครื่องจักร) และรูปแบบสุ่มที่เบี่ยงเบนความสนใจจากข้อมูล (เรียกว่าสัญญาณ รบกวน ซึ่งประกอบด้วยสิ่งเร้าเบื้องหลังและกิจกรรมสุ่ม ของเครื่องตรวจจับและระบบประสาทของผู้ปฏิบัติงาน)

ในด้านอิเล็กทรอนิกส์การกู้คืนสัญญาณคือการแยกรูปแบบดังกล่าวออกจากพื้นหลังที่อำพราง [1]

ตามทฤษฎี มีตัวกำหนดจำนวนหนึ่งว่าระบบตรวจจับจะตรวจจับสัญญาณได้อย่างไร และระดับขีด จำกัด ของระบบจะอยู่ที่ใด ทฤษฎีสามารถอธิบายได้ว่าการเปลี่ยนแปลงเกณฑ์จะส่งผลต่อความสามารถในการแยกแยะอย่างไร ซึ่งมักจะเผยให้เห็นว่าระบบมีการปรับเปลี่ยนให้เข้ากับงาน จุดประสงค์ หรือเป้าหมายที่มุ่งหมายอย่างไร เมื่อระบบตรวจจับเป็นมนุษย์ คุณลักษณะต่างๆ เช่น ประสบการณ์ ความคาดหวัง สภาวะทางสรีรวิทยา (เช่น ความเหนื่อยล้า) และปัจจัยอื่นๆ อาจส่งผลต่อเกณฑ์ที่ใช้ ตัวอย่างเช่น ทหารยามในยามสงครามอาจตรวจพบสิ่งเร้าที่จางกว่าทหารยามยามเดียวกันในยามสงบเนื่องจากเกณฑ์ที่ต่ำกว่า อย่างไรก็ตาม พวกเขาอาจมีแนวโน้มที่จะถือว่าสิ่งเร้าที่ไม่เป็นอันตรายเป็นภัยคุกคาม

การทำงานในช่วงแรกของทฤษฎีการตรวจจับส่วนใหญ่ทำโดยนักวิจัยเรดาร์ [2]ในปี 1954 ทฤษฎีได้รับการพัฒนาอย่างสมบูรณ์ในด้านทฤษฎีตามที่อธิบายโดยPeterson , Birdsall และ Fox [3]และรากฐานสำหรับทฤษฎีจิตวิทยาถูกสร้างขึ้นโดย Wilson P. Tanner, David M. Green และJohn A. Swetsในปี 1954 เช่นกัน[ 4] ทฤษฎีการตรวจจับถูกนำมาใช้ในปี 1966 โดย John A. Swets และ David M. Green สำหรับจิตฟิสิกส์ กรีนและสเวทส์วิพากษ์วิจารณ์วิธีการดั้งเดิมของนักจิตฟิสิกส์เนื่องจากไม่สามารถแยกแยะระหว่างความอ่อนไหวที่แท้จริงของอาสาสมัครกับอคติในการตอบสนอง ( ที่อาจเกิดขึ้น) [6]

ทฤษฎีการตรวจจับมีการประยุกต์ใช้ในหลายสาขา เช่นการวินิจฉัยทุกประเภท การ ควบคุมคุณภาพการสื่อสารโทรคมนาคมและจิตวิทยา แนวคิดนี้คล้ายกับอัตราส่วนสัญญาณต่อสัญญาณรบกวนที่ใช้ในวิทยาศาสตร์และเมทริกซ์ความสับสนที่ใช้ในปัญญาประดิษฐ์ นอกจากนี้ยังใช้ในการจัดการสัญญาณเตือนภัยซึ่งเป็นสิ่งสำคัญในการแยกเหตุการณ์สำคัญออกจากเสียง รบกวนรอบข้าง

จิตวิทยา

ทฤษฎีการตรวจจับสัญญาณ (SDT) ถูกนำมาใช้เมื่อนักจิตวิทยาต้องการวัดวิธีการที่เราตัดสินใจภายใต้สภาวะที่ ไม่แน่นอน เช่น วิธีที่เราจะรับรู้ระยะทางในสภาวะที่มีหมอกหนา หรือในระหว่างการระบุพยาน [7] [8]SDT ถือว่าผู้ตัดสินใจไม่ใช่ผู้รับข้อมูลแบบพาสซีฟ แต่เป็นผู้ตัดสินใจเชิงรุกที่ทำการตัดสินใจด้วยการรับรู้ได้ยากภายใต้สภาวะที่ไม่แน่นอน ในสถานการณ์ที่มีหมอกหนา เราถูกบังคับให้ต้องตัดสินใจว่าวัตถุนั้นอยู่ห่างจากเรามากน้อยเพียงใด โดยพิจารณาจากสิ่งเร้าทางสายตาซึ่งถูกรบกวนจากหมอกเท่านั้น เนื่องจากความสว่างของวัตถุ เช่น สัญญาณไฟจราจร ถูกใช้โดยสมองเพื่อแยกแยะระยะห่างของวัตถุ และหมอกจะลดความสว่างของวัตถุ เราจึงรับรู้ได้ว่าวัตถุอยู่ไกลกว่าที่เป็นจริงมาก (ดูทฤษฎีการตัดสินใจด้วย) จากข้อมูลของ SDT ในระหว่างการระบุตัวตนของพยาน พยานจะใช้การตัดสินใจว่าผู้ต้องสงสัยเป็นผู้กระทำความผิดหรือไม่ โดยพิจารณาจากระดับความคุ้นเคยกับผู้ต้องสงสัย

ในการใช้ทฤษฎีการตรวจจับสัญญาณกับชุดข้อมูลที่มีสิ่งเร้าอยู่หรือไม่มีอยู่ และผู้สังเกตจัดหมวดหมู่การทดลองแต่ละครั้งว่ามีสิ่งเร้าอยู่หรือไม่อยู่ การทดลองจะจัดประเภทเป็นประเภทใดประเภทหนึ่งจากสี่ประเภท:

ตอบ "ไม่อยู่" ตอบกลับ "ปัจจุบัน"
สิ่งกระตุ้นที่มีอยู่ นางสาว ตี
ขาดการกระตุ้น การปฏิเสธที่ถูกต้อง สัญญาณเตือนที่ผิดพลาด

ตามสัดส่วนของการทดลองประเภทเหล่านี้ การประมาณเชิงตัวเลขของความไวสามารถรับได้ด้วยสถิติ เช่น ดัชนีความไวd'และ A' [9] และอคติในการตอบสนองสามารถประมาณได้ด้วยสถิติเช่น c และ β [9]

นอกจากนี้ยังสามารถใช้ทฤษฎีการตรวจจับสัญญาณกับการทดลองเกี่ยวกับหน่วยความจำ ซึ่งรายการต่างๆ จะถูกนำเสนอในรายการการศึกษาสำหรับการทดสอบในภายหลัง รายการทดสอบถูกสร้างขึ้นโดยการรวมรายการ 'เก่า' เหล่านี้เข้ากับรายการใหม่ 'ใหม่' ที่ไม่ปรากฏในรายการการศึกษา ในการทดลองทดสอบแต่ละครั้ง ผู้ทดลองจะตอบว่า 'ใช่ สิ่งนี้อยู่ในรายการการศึกษา' หรือ 'ไม่ สิ่งนี้ไม่ได้อยู่ในรายการการศึกษา' รายการที่แสดงในรายการการศึกษาเรียกว่า เป้าหมาย และรายการใหม่เรียกว่า สิ่งรบกวน การพูดว่า 'ใช่' กับเป้าหมายถือเป็นการโจมตี ในขณะที่การพูดว่า 'ใช่' ต่อผู้เบี่ยงเบนความสนใจถือเป็นการเตือนที่ผิดพลาด

ตอบว่า "ไม่" ตอบ "ใช่"
เป้า นางสาว ตี
เสียสมาธิ การปฏิเสธที่ถูกต้อง สัญญาณเตือนที่ผิดพลาด

แอพพลิเคชั่น

ทฤษฎีการ ตรวจจับสัญญาณมีการประยุกต์ใช้อย่างกว้างขวาง ทั้งในมนุษย์และสัตว์ หัวข้อต่างๆ ได้แก่ความจำลักษณะการกระตุ้นของตารางการเสริมแรง ฯลฯ

ความละเอียดอ่อนหรือการเลือกปฏิบัติ

ตามแนวคิดแล้ว ความไวหมายถึงความยากหรือง่ายในการตรวจจับว่ามีสิ่งกระตุ้นที่เป็นเป้าหมายจากเหตุการณ์เบื้องหลัง ตัวอย่างเช่น ในกระบวนทัศน์ของการจดจำการจดจำ การเรียนคำศัพท์ที่ต้องจดจำนานขึ้นจะทำให้จดจำคำที่เห็นหรือได้ยินก่อนหน้านี้ได้ง่ายขึ้น ในทางตรงกันข้าม การต้องจำ 30 คำแทนที่จะเป็น 5 คำทำให้การเลือกปฏิบัติยากขึ้น หนึ่งในสถิติที่ใช้บ่อยที่สุดสำหรับความไวในการคำนวณคือดัชนีความไวหรือd' นอกจากนี้ยังมี มาตรการ ที่ไม่ใช่พารามิเตอร์เช่น พื้นที่ใต้เส้นโค้ง ROC [6]

อคติ

อคติคือขอบเขตที่คำตอบหนึ่งมีโอกาสมากกว่าอีกคำตอบหนึ่ง นั่นคือผู้รับอาจมีแนวโน้มที่จะตอบสนองต่อสิ่งเร้าที่มีอยู่หรือมีแนวโน้มที่จะตอบสนองต่อสิ่งเร้าที่ไม่มีอยู่ อคติไม่ขึ้นกับความไว ตัวอย่างเช่น หากมีการลงโทษสำหรับการเตือนที่ผิดพลาดหรือการพลาด สิ่งนี้อาจส่งผลต่อความลำเอียง หากสิ่งกระตุ้นคือเครื่องบินทิ้งระเบิด การพลาด (ตรวจไม่พบเครื่องบิน) อาจเพิ่มการตายได้ ดังนั้น จึงมีความเป็นไปได้ที่จะมีอคติแบบเสรีนิยม ในทางตรงกันข้ามการร้องไห้ของหมาป่า (สัญญาณเตือนที่ผิดพลาด) บ่อยเกินไปอาจทำให้ผู้คนมีโอกาสตอบสนองน้อยลง เนื่องจากมีอคติเชิงอนุรักษ์นิยม

การตรวจจับการบีบอัด

อีกสาขาหนึ่งที่เกี่ยวข้องอย่างใกล้ชิดกับทฤษฎีการตรวจจับสัญญาณเรียกว่าการตรวจจับแบบบีบอัด (หรือการตรวจจับแบบบีบอัด) วัตถุประสงค์ของการตรวจจับแบบบีบอัดคือการกู้คืนเอนทิตีที่มีมิติสูงแต่มีความซับซ้อนต่ำจากการวัดเพียงไม่กี่ครั้ง ดังนั้น หนึ่งในแอปพลิเคชันที่สำคัญที่สุดของการตรวจจับด้วยการบีบอัดคือการกู้คืนสัญญาณที่มีมิติสูงซึ่งทราบกันดีว่าเบาบาง (หรือเกือบเบาบาง) ด้วยการวัดเชิงเส้นเพียงไม่กี่ครั้ง จำนวนของการวัดที่จำเป็นในการกู้คืนสัญญาณนั้นน้อยกว่าที่ทฤษฎีบทการสุ่มตัวอย่าง Nyquist กำหนดมาก โดยมีเงื่อนไขว่าสัญญาณนั้นเบาบาง ซึ่งหมายความว่าจะมีองค์ประกอบที่ไม่ใช่ศูนย์เพียงไม่กี่รายการเท่านั้น มีวิธีการกู้คืนสัญญาณที่แตกต่างกันในการตรวจจับแบบบีบอัด ซึ่งรวมถึงการแสวงหาพื้นฐาน ,อัลกอริ ทึมการกู้คืนของ expander [10] , CoSaMP [11]และอัลกอริทึมที่ไม่ทำซ้ำอย่างรวดเร็ว [12]ในวิธีการกู้คืนทั้งหมดที่กล่าวมาข้างต้น การเลือกเมทริกซ์การวัดที่เหมาะสมโดยใช้โครงสร้างความน่าจะเป็นหรือโครงสร้างเชิงกำหนดมีความสำคัญอย่างยิ่ง กล่าวอีกนัยหนึ่ง เมทริกซ์การวัดต้องเป็นไปตามเงื่อนไขเฉพาะบางประการ เช่น คุณสมบัติ RIP (คุณสมบัติ Isometry ที่จำกัด) หรือคุณสมบัติ Null-Spaceเพื่อให้ได้การกู้คืนแบบเบาบางที่มีประสิทธิภาพ

คณิตศาสตร์

P(H1|y) > P(H2|y) / การทดสอบ MAP

ในกรณีของการตัดสินใจระหว่างสองสมมติฐานH1 ไม่มีอยู่ และH2เป็นปัจจุบัน ในกรณีของการสังเกต เฉพาะ yวิธีดั้งเดิมคือเลือกH1เมื่อp(H1|y) > p(H2|y )และH2ในกรณีย้อนกลับ [13]ในกรณีที่ความน่าจะเป็นหลัง A ทั้งสอง มีค่าเท่ากัน เราอาจเลือกค่าเริ่มต้นเป็นตัวเลือกเดียว (เลือกH1 เสมอ หรือเลือกH2 เสมอ ) หรืออาจสุ่มเลือกH1หรือH2 อย่างใดอย่าง หนึ่ง เบื้องต้น_ความน่าจะเป็นของH1และH2สามารถชี้นำทางเลือกนี้ได้ เช่น โดยการเลือกสมมติฐานที่มีความน่าจะเป็น สูง กว่าเสมอ

เมื่อใช้วิธีนี้ โดยปกติสิ่งที่เรารู้คือความน่าจะเป็นแบบมีเงื่อนไขp(y|H1)และp(y|H2)และความน่าจะเป็นเบื้องต้นและ ในกรณีนี้,

,

โดยที่p(y)คือความน่าจะเป็นทั้งหมดของเหตุการณ์y ,

.

H2ถูกเลือกในกรณี

และH1อย่างอื่น

บ่อยครั้งที่อัตราส่วนนี้ถูกเรียกและถูกเรียกอัตราส่วนความน่าจะเป็น

การใช้คำ ศัพท์นี้H2จะถูกเลือกในกรณี สิ่งนี้เรียกว่าการทดสอบ MAP โดยที่ MAP ย่อมาจาก "maximum a posteriori ")

การใช้วิธีการนี้ช่วยลดจำนวนข้อผิดพลาดที่คาดว่าจะเกิดขึ้นให้เหลือน้อยที่สุด

เกณฑ์เบย์

ในบางกรณี การตอบสนอง อย่าง เหมาะสมต่อ H1มีความสำคัญมากกว่าการตอบสนองอย่างเหมาะสมต่อH2 ตัวอย่างเช่น หากสัญญาณเตือนภัยดับลงโดยระบุว่า H1 (เครื่องบินทิ้งระเบิดกำลังถืออาวุธนิวเคลียร์ เข้ามา ) การยิงเครื่องบินทิ้งระเบิดหาก H1 = TRUE นั้นสำคัญกว่าการหลีกเลี่ยงการส่งฝูงบินรบไปตรวจการณ์ที่ผิดพลาด สัญญาณเตือน (เช่น H1 = FALSE, H2 = TRUE) (สมมติว่ามีฝูงบินรบจำนวนมาก) เกณฑ์Bayesเป็นแนวทางที่เหมาะสมสำหรับกรณีดังกล่าว [13]

ยูทิลีตีเชื่อมโยงกับแต่ละสถานการณ์ในสี่สถานการณ์ ต่อไปนี้ :

  • : หนึ่งตอบสนองด้วยพฤติกรรมที่เหมาะสมกับ H1 และ H1 เป็นจริง: เครื่องบินรบทำลายเครื่องบินทิ้งระเบิด, ทำให้เกิดเชื้อเพลิง, การบำรุงรักษา, และค่าอาวุธ, เสี่ยงต่อการถูกยิงตก;
  • : หนึ่งตอบสนองด้วยพฤติกรรมที่เหมาะสมกับ H1 และ H2 เป็นจริง: เครื่องบินรบที่ส่งออกไป, มีค่าเชื้อเพลิงและค่าบำรุงรักษา, ยังไม่ทราบตำแหน่งของเครื่องบินทิ้งระเบิด;
  • : หนึ่งตอบสนองด้วยพฤติกรรมที่เหมาะสมกับ H2 และ H1 เป็นจริง: เมืองถูกทำลาย;
  • : หนึ่งตอบสนองด้วยพฤติกรรมที่เหมาะสมกับ H2 และ H2 เป็นจริง: เครื่องบินรบอยู่บ้าน ยังไม่ทราบตำแหน่งของเครื่องบินทิ้งระเบิด;

ดังที่แสดงด้านล่าง สิ่งที่สำคัญคือความแตกต่าง และ

ในทำนองเดียวกัน มีความน่าจะเป็นสี่อย่าง , , ฯลฯ สำหรับแต่ละกรณี (ซึ่งขึ้นอยู่กับกลยุทธ์การตัดสินใจของแต่ละคน)

แนวทางเกณฑ์ของ Bayes คือการเพิ่มประโยชน์สูงสุดที่คาดหวัง:

อย่างมีประสิทธิภาพ เราอาจเพิ่มผลรวมสูงสุด

,

และดำเนินการแทนดังต่อไปนี้:

ที่ไหนและเป็นความน่าจะเป็นเบื้องต้นและและเป็นขอบเขตของเหตุการณ์การสังเกตyที่ได้รับการตอบสนองราวกับว่าH1เป็นจริง

และขยายให้ใหญ่สุดโดยขยายไปทั่วภูมิภาคโดยที่

สิ่งนี้ทำได้โดยการตัดสินใจ H2 ในกรณี

และ H1 มิฉะนั้น โดยที่L(y)คืออัตราส่วนความเป็นไปได้ที่ กำหนดไว้

โมเดลการแจกแจงแบบปกติ

Das และ Geisler [14]ขยายผลของทฤษฎีการตรวจจับสัญญาณสำหรับสิ่งเร้าที่กระจายตามปกติ และวิธีการที่ได้มาจากการคำนวณอัตราความผิดพลาดและเมทริกซ์ความสับสนสำหรับผู้สังเกตในอุดมคติและผู้สังเกตการณ์ที่ไม่เหมาะในการตรวจจับและจัดหมวดหมู่สัญญาณปกติที่ไม่แปรผันและหลายตัวแปรตั้งแต่สองตัวขึ้นไป หมวดหมู่

ดูสิ่งนี้ด้วย

อ้างอิง

  1. ^ TH วิล์มสเฮิสต์ (1990). การกู้คืนสัญญาณจากเสียงรบกวนในเครื่องมืออิเล็กทรอนิกส์ (ฉบับที่ 2) ซีอาร์ซีเพรส. หน้า 11 . ไอเอสบีเอ็น  978-0-7503-0058-2.
  2. มาร์คัม, เจไอ (1947). "ทฤษฎีทางสถิติของการตรวจจับเป้าหมายด้วยเรดาร์พัลซิ่ง". บันทึกข้อตกลงการวิจัย : 90 . สืบค้นเมื่อ2009-06-28 .
  3. ^ ปีเตอร์สัน ดับเบิลยู; เบิร์ดซอล, ท.; Fox, W. (กันยายน 2497). "ทฤษฎีการตรวจจับสัญญาณ". การทำธุรกรรมของกลุ่มวิชาชีพ IRE เกี่ยวกับทฤษฎีสารสนเทศ 4 (4): 171–212. ดอย :10.1109/TIT.1954.1057460.
  4. ^ แทนเนอร์, วิลสัน พี; สเวทส์, จอห์น เอ. (1954). "ทฤษฎีการตัดสินใจของการตรวจจับด้วยสายตา". การ ทบทวนทางจิตวิทยา 61 (6): 401–409. ดอย :10.1037/h0058700. PMID  13215690.
  5. Swets, JA (ed.) (1964) การตรวจจับและจดจำสัญญาณโดยผู้สังเกตการณ์ที่เป็นมนุษย์ นิวยอร์ก: ไวลีย์[ ต้องการหน้า ]
  6. ↑ ab Green, DM, Swets JA (1966) Signal Detection Theory and Psychophysics . นิวยอร์ก: ไวลีย์ ( ISBN 0-471-32420-5 ) [ ต้องการหน้า ] 
  7. อรรถ คลาร์ก, สตีเวน อี.; เบนจามิน, แอรอน เอส.; วิกซ์เทด, จอห์น ที; มิกส์, ลอร่า; กรอนลันด์, สก็อตต์ ดี. (2558). "การระบุพยานและความถูกต้องของระบบยุติธรรมทางอาญา". ข้อมูลเชิง ลึกด้านนโยบายจากพฤติกรรมศาสตร์และสมอง 2 : 175–186. ดอย :10.1177/2372732215602267. hdl : 11244/49353 .
  8. ฮอว์, ไรอันน์ มิเชล (มกราคม 2548). "การวิเคราะห์ทางทฤษฎีของการระบุตัวพยาน: ทฤษฎีสองกระบวนการ ทฤษฎีการตรวจจับสัญญาณ และความเชื่อมั่นของพยาน". ProQuest Etd Collection สำหรับ Fiu : 1–98.
  9. อรรถ ab สตานิสลอว์, ฮาโรลด์; Todorov, Natasha (มีนาคม 2542) "การคำนวณการวัดทฤษฎีการตรวจจับสัญญาณ". วิธีวิจัยพฤติกรรม เครื่องมือ และคอมพิวเตอร์ 31 (1): 137–149. ดอย : 10.3758/BF03207704 . PMID  10495845.
  10. จาฟาร์ปูร์, ซินา; ซู เหว่ยหยู ; ฮัสซิบี, บาบัค ; คาลเดอร์แบงค์, โรเบิร์ต (กันยายน 2552). "การตรวจจับการบีบอัดที่มีประสิทธิภาพและแข็งแกร่งโดยใช้กราฟ Expander ที่ปรับให้เหมาะสม" ( PDF) ธุรกรรม IEEE บนทฤษฎีสารสนเทศ 55 (9): 4299–4308. ดอย :10.1109/tit.2009.2025528.
  11. ^ นีเดลล์, ดี.; Tropp, JA (2009). "CoSaMP: การกู้คืนสัญญาณซ้ำจากตัวอย่างที่ไม่สมบูรณ์และไม่ถูกต้อง" การวิเคราะห์ฮาร์มอนิ กเชิงประยุกต์และเชิงคำนวณ 26 (3): 301–321. arXiv : 0803.2392 . ดอย :10.1016/j.acha.2008.07.002.
  12. ^ ลอตฟี ม.; Vidyasagar, M. "อัลกอริทึม noniterative อย่างรวดเร็วสำหรับการตรวจจับการบีบอัดโดยใช้เมทริกซ์การวัดแบบไบนารี"
  13. ↑ ab Schonhoff, TA และ Giordano, AA (2006) ทฤษฎีการตรวจ จับและการประมาณค่าและการประยุกต์ นิวเจอร์ซีย์: Pearson Education ( ISBN 0-13-089499-0 ) 
  14. อรรถ ดาส อับรานิล; ไกส์เลอร์, วิลสัน (2563). "วิธีการรวมและจำแนกการแจกแจงแบบปกติ". arXiv : 2012.14331 .
  • Coren, S. , Ward, LM, Enns, JT (1994) ความรู้สึกและการรับรู้ . (ฉบับที่ 4) โตรอนโต: Harcourt Brace.
  • เคย์, เอสเอ็ม. พื้นฐานของการประมวลผลสัญญาณทางสถิติ: ทฤษฎีการตรวจจับ ( ISBN 0-13-504135-X ) 
  • McNichol, D. (1972) ทฤษฎีเบื้องต้นของการตรวจจับสัญญาณ . ลอนดอน: จอร์จ อัลเลน & อันวิน
  • แวน ทรีส์ เอชแอล ทฤษฎีการตรวจจับ การประมาณค่า และการมอดูเลต ตอนที่ 1 ( ISBN 0-471-09517-6 ; เว็บไซต์) 
  • Wickens, Thomas D., (2002) ทฤษฎีการตรวจจับสัญญาณเบื้องต้น . นิวยอร์ก: สำนักพิมพ์มหาวิทยาลัยอ็อกซ์ฟอร์ด. ( ไอ0-19-509250-3 ) 

ลิงก์ภายนอก

  • คำอธิบายของทฤษฎีการตรวจจับสัญญาณ
  • การประยุกต์ใช้ SDT เพื่อความปลอดภัย
  • ทฤษฎีการตรวจจับสัญญาณโดย Garrett Neske, The Wolfram Demonstrations Project
  • การบรรยายโดย Steven Pinker