一种用于时间序列分析的复杂网络方法及其在神经肌肉疾病诊断中的应用
社会与信息网络
2021-08-17 v1 计算工程、金融与科学
机器学习
摘要
肌电图（EMG）是指示神经肌肉活动与肌肉形态的生物医学信号。专家利用该时间序列准确诊断神经肌肉疾病。现代数据分析技术近来催生了将时间序列数据映射为图与复杂网络的新方法，并应用于包括医学在内的多个领域。所得网络发展出一种完全不同的视觉敏锐度，可用于补充医师对时间序列的发现。这可带来更丰富的分析、更少的错误、更准确的疾病诊断，以及治疗过程准确度和速度的提升。映射过程可能导致时间序列中本质数据的丢失且无法保留所有时间序列特征。因此，达成一种能在保持本质特征的同时良好表征时间序列的方法至关重要。本文提出一种名为 GraphTS 的网络构建新方法，通过可见图方法利用 EMG 时间序列克服现有方法精度有限的问题。为此，EMG 信号被预处理并由标准可见图算法映射为复杂网络。所得网络可区分健康与病患样本。下一步，在提取最优特征后，将所构建网络的性质以特征矩阵形式作为分类器输入。所提方法经深度神经网络性能评估，训练数据准确率达 99.30%，测试数据达 99.18%。因此，除丰富网络表征并覆盖健康、肌病与神经病 EMG 的时间序列特征外，该技术还提升了准确度、精密度、召回率与 F-score。
引用
@article{arxiv.2108.06920,
title = {A complex network approach to time series analysis with application in diagnosis of neuromuscular disorders},
author = {Samaneh Samiei and Nasser Ghadiri and Behnaz Ansari},
journal= {arXiv preprint arXiv:2108.06920},
year = {2021}
}