面向多维时间序列数据成像的数据折叠与超空间编码
信号处理
2022-10-12 v4
摘要
多维时间序列分类与预测已广泛应用于疾病防控、故障诊断和行为识别等诸多领域。然而，传统方法需要人工干预与推断，无法实现多维数据的形象化表达，导致信息挖掘不充分。受深度学习在图像处理中强大能力的启发，我们提出一种统一的时间序列图像融合框架，将多模态数据转换为二维图像，并基于轻量卷积神经网络实现自动特征提取与分类。我们给出两种基本图像编码方法，灰度图像编码、RGB 图像编码，及其步进编码方法。考虑到不同应用领域的普遍性，我们扩展了编码方法并提出两类变换编码，Transform-RGB 编码与 RGB-Transform 编码，以提升多域表示能力。通过应用于帕金森病诊断、轴承故障检测和体操动作识别三个典型场景，我们分别获得了 100%、92.86% 和 99.70% 的最高分类准确率，均高于经典处理方法。这证明了我们的编码框架对不同多维场景具有较强的分类能力与普适性。期望该方法能在其他场景中得以应用并表现良好，并有潜力促进相关技术的进步。
引用
@article{arxiv.2203.05235,
title = {Data-Folding and Hyperspace Coding for Multi-Dimensonal Time-Series Data Imaging},
author = {Chao Lian and Yuliang Zhao and Zhikun Zhan and Wen J. Li},
journal= {arXiv preprint arXiv:2203.05235},
year = {2022}
}