ESPRESSO：面向异构传感器数据处理的熵与时序形状感知时间序列分割方法
机器学习
2020-08-10 v1 计算机视觉与模式识别
数据库
信息论
信号处理
math.IT
机器学习
摘要
从可穿戴传感器、智能设备或物联网数据的高维数据中提取信息丰富且有意义的时间段，是人体活动识别（HAR）、轨迹预测、手势识别和生命日志等应用中的重要预处理步骤。本文中，我们提出 ESPRESSO（Entropy and ShaPe awaRe timE-Series SegmentatiOn），一种针对多维时间序列的混合分割模型，其设计旨在利用时间序列的熵与时序形状特性。ESPRESSO 不同于现有仅关注时间序列特定统计或时间性质的方法。作为模型开发的一部分，引入了时间序列的新时序表示 以及一种基于熵度量的贪心搜索方法来估计分段。结果表明，在七个可穿戴与无穿戴传感公开数据集上，ESPRESSO 的性能优于四种最先进方法。此外，我们对这些数据集进行了更深入的探究，以理解 ESPRESSO 及其组成方法针对不同数据集特征的表现。最后，我们提供了两个有趣的案例研究，展示应用 ESPRESSO 如何辅助推断日常活动规律与人类情绪状态。
引用
@article{arxiv.2008.03230,
title = {ESPRESSO: Entropy and ShaPe awaRe timE-Series SegmentatiOn for processing heterogeneous sensor data},
author = {Shohreh Deldari and Daniel V. Smith and Amin Sadri and Flora D. Salim},
journal= {arXiv preprint arXiv:2008.03230},
year = {2020}
}
备注
23 pages, 11 figures, accepted at IMWUT Volume(4) issue(3)