Les séries temporelles à oscillations multiples sont généralement étudiées dans le domaine fréquentiel, où la cohérence est souvent considérée comme l’amplitude de la corrélation entre deux signaux à une fréquence spécifique. Cette corrélation est à valeurs complexes et présente des similitudes avec la corrélation de Pearson pour les valeurs réelles, tout en présentant des différences distinctes. Dans cette étude, les auteurs explorent la dépendance entre les séries oscillantes en utilisant la distribution normale complexe multivariée. Cette distribution est l’équivalent de la distribution normale multivariée classique, mais adaptée aux vecteurs de variables aléatoires complexes plutôt qu’aux vecteurs de variables aléatoires réelles. Les auteurs mettent l’accent sur des cas spécifiques qui revêtent une importance particulière pour les données neuronales qui les intéressent, tout en proposant de nouvelles approches et des variations des résultats existants. Ils introduisent un modèle de variables latentes complexes pour les signaux filtrés en bande passante étroite à une fréquence donnée. Ils démontrent ensuite que l’estimation du maximum de vraisemblance dans ce modèle produit une cohérence latente équivalente à l’amplitude de la corrélation canonique complexe à la fréquence spécifiée. Ils établissent également une équivalence entre la cohérence partielle et l’amplitude de la corrélation partielle complexe, toujours à une fréquence donnée. Leur approche théorique conduit à des résultats interprétables pour un ensemble de données multivariées intéressant provenant de l’Allen Institute for Brain Science.