生理时间序列数据中基于混合的数据增强方法的实证研究
机器学习
2023-09-19 v1
摘要
数据增强是深度模型训练过程中助于泛化的常见做法。在生理时间序列分类背景下，以往研究主要关注标签不变的数据增强方法。然而，计算机视觉领域出现的另一类增强技术（即 Mixup）在时间序列领域尚未被充分探索。在本研究中，我们系统地在六个生理数据集上回顾了基于混合的增强方法，包括 mixup、cutmix 与 manifold mixup，评估它们在不同传感数据与分类任务上的表现。我们的结果表明，三种基于混合的增强能持续提升六个数据集上的性能。更重要的是，这种提升不依赖专家知识或大量参数调优。最后，我们概述了基于混合的增强方法的独特性质，并强调了在生理时间序列数据中使用的潜在益处。
引用
@article{arxiv.2309.09970,
title = {Empirical Study of Mix-based Data Augmentation Methods in Physiological Time Series Data},
author = {Peikun Guo and Huiyuan Yang and Akane Sano},
journal= {arXiv preprint arXiv:2309.09970},
year = {2023}
}
备注
The 11th IEEE International Conference on Healthcare Informatics (IEEE ICHI 2023)