利用最近邻算法在心电图心跳中发现重要子序列
机器学习
2019-01-29 v1 定量方法
机器学习
摘要
时间序列数据的分类是一个研究充分且具有众多实际应用（如医学诊断和语音识别）的问题。一种流行且有效的方法是将新时间序列以其最近邻的方式分类，其中邻近性使用动态时间规整（DTW）距离定义，该度量类似于生物信息学中的序列比对。然而，从业者不仅关注准确分类，也关注时间序列为何以某种方式分类。为此，我们在此引入如下问题：寻找时间序列的最小长度子序列，其移除会改变基于 DTW 距离的最近邻算法下的分类结果。直观上，这样的子序列应与分类相关，并有助于从业者解释结果。我们描述了一种简单但经过优化的实现来检测这些子序列，并定义了伴随的度量来量化时间序列中每个时间点对分类的相关性。在心电图数据的测试中，我们表明该算法能够发现重要子序列，并有助于检测区分病患与健康人的心律异常。
引用
@article{arxiv.1901.09187,
title = {Discovery of Important Subsequences in Electrocardiogram Beats Using the Nearest Neighbour Algorithm},
author = {Ricards Marcinkevics and Steven Kelk and Carlo Galuzzi and Berthold Stegemann},
journal= {arXiv preprint arXiv:1901.09187},
year = {2019}
}