利用傅里叶变换替代数据解决含噪信号分类中的类不平衡问题
信号处理
2019-01-29 v2 混沌动力学
定量方法
机器学习
摘要
对时空数据的傅里叶变换(FT)相位进行随机化可生成近似于数据生成分布样本的替代数据(surrogate)。我们提出此类 FT 替代数据作为一种新颖工具来增强和分析神经网络训练，并以睡眠分期分类为例探究该方法。通过对代表性不足的睡眠阶段的原始 EEG、EOG 和 EMG 信号计算 FT 替代数据，我们平衡了 CAPSLPDB 睡眠数据库。随后我们训练并测试了一个用于睡眠分期的卷积神经网络，发现基于替代数据的增强将平均 F1 分数提高了 7%。作为 FT 替代数据的另一应用，我们提出了一种计算单个睡眠时段显著性图的方法。该可视化基于推断类别概率在将短数据段替换为部分替代数据时的响应。为量化替代数据与原数据分布的匹配程度，我们在正确分类样本的替代数据上评估已训练分类器，并将这些条件预测总结于混淆矩阵中。我们展示了此类条件混淆矩阵如何定性解释替代数据在类平衡中的表现。若针对所分析的数据分布谨慎调整，FT 替代数据增强方法可改善含噪信号上的分类效果。
引用
@article{arxiv.1806.08675,
title = {Addressing Class Imbalance in Classification Problems of Noisy Signals by using Fourier Transform Surrogates},
author = {Justus T. C. Schwabedal and John C. Snyder and Ayse Cakmak and Shamim Nemati and Gari D. Clifford},
journal= {arXiv preprint arXiv:1806.08675},
year = {2019}
}
备注
7 pages, 7 figures