面向传感器信号的深度典型相关对齐

传感器技术在生物医学领域日益普及，其应用从高危人群远程监测，到将传感器衍生信息用作临床试验中的客观终点。为充分利用传感器信息，常需对不同传感器的信号进行时间对齐。然而，由于生物医学信号中常见的振荡器不完美与显著噪声，原始信号的时间对齐绝非易事，迄今尚无普遍适用的解决方案。本工作中，我们提出深度典型相关对齐（DCCA），一种用于原始（生物医学）传感器信号时间对齐的新颖且普遍适用的方案。DCCA 使从业者无需深厚领域知识即可直接对齐来自不同传感器的原始信号。在若干人工与真实数据集上，我们展示了 DCCA 在多种条件下的性能与效用。我们将 DCCA 算法与其他基于扭曲的方法比较，DCCA 在对齐误差上以数量级优势超越动态时间规整与基于互相关的方法。DCCA 在近乎周期性的生物医学信号（如心跳与呼吸模式）上表现尤为出色。与现有未针对原始传感器数据定制的方法相比，DCCA 不仅快到足以处理含数十亿数据点的信号，还提供自动滤波与变换功能，使其能应对极噪声甚至形态各异的信号。