基于Detach-Rocket Ensemble的原始 MEG/EEG 数据分类：一种改进的ROCKET算法用于多变量时间序列分析
机器学习
2024-08-07 v1 计算工程、金融与科学
神经元与认知
机器学习
摘要
多变量时间序列分类 (MTSC) 是一个在科学和工程中普遍存在的问题，尤其是在神经科学领域，大多数数据采集模态都涉及对多个脑区中脑活动的同步时间依赖记录。在近年来，诸如 ROCKET 和 MiniRocket 等随机卷积核模型已涌现作为高度有效的时间序列分类算法，能够以低计算负载实现最先进的准确率结果。尽管这些模型取得了成功，但在神经科学应用中仍面临两个主要挑战：1) 它们难以处理如 EEG 和 MEG 等高维数据；2) 它们难以解释。本文提出了一种新颖的 ROCKET 基于算法，命名为 Detach-Rocket Ensemble，专为解决 MTSC 中的这两个问题而设计。我们的算法利用修剪提供通道重要性的集成估计，并通过集成实现更好的准确率和标签概率输出。在我们控制每个通道所携带信息量的合成多变量时间序列分类数据集上，我们首先展示了该算法能够正确恢复用于分类的通道重要性。随后，我们使用两个真实世界数据集，一个 MEG 数据集和一个 EEG 数据集，展示了 Detach-Rocket Ensemble 能够提供可解释的通道相关性并在直接应用于原始脑数据（无需特征工程）时实现具有竞争力的分类准确率。
引用
@article{arxiv.2408.02760,
title = {Classification of Raw MEG/EEG Data with Detach-Rocket Ensemble: An Improved ROCKET Algorithm for Multivariate Time Series Analysis},
author = {Adrià Solana and Erik Fransén and Gonzalo Uribarri},
journal= {arXiv preprint arXiv:2408.02760},
year = {2024}
}
备注
To be published in European Conference on Machine Learning and Data Mining 2024, 20 pages, 7 figures, 2 tables