基于海量特征提取的自动时间序列表型分析
机器学习
2017-11-27 v1 数据分析、统计与概率
定量方法
摘要
在广泛多样的科学和工业应用中，一个普遍的关键问题是将时间序列数据的结构关联到有意义的结果，例如从传感器记录中检测异常事件，或从心率或脑活动等生理时间序列测量中诊断患者。目前，研究人员必须投入大量精力手动设计或搜索适用于手头特定分析问题的时间序列属性。针对这一非系统且耗时的过程，本文引入一种新工具 hctsa，它通过比较从多样化科学文献中绘制的超过 7700 个时间序列特征的实现，自动选择可解释且有用的时间序列属性。利用两个典型的生物应用，我们展示了 hctsa 如何让研究人员利用数十年的时间序列研究来量化和理解其时间序列信息中的结构性信息。
引用
@article{arxiv.1612.05296,
title = {Automatic time-series phenotyping using massive feature extraction},
author = {Ben D Fulcher and Nick S Jones},
journal= {arXiv preprint arXiv:1612.05296},
year = {2017}
}