人类加速度计数据的可信增强
信号处理
2024-04-23 v1
摘要
时间序列（TS）数据始终处于短缺状态，但其需求在预测、建模、分类以及其他各种应用中仍然很高。合成可作为扩充样本量的手段，但至关重要的是保持synthesized和原始TS之间的统计特征：这确保了训练和测试目的的数据进行一致的抽样。然而，时间域特征可能未被维持。这就动机了我们的工作，目标是保留以下特征于synthesized TS：其基本统计特征以及重要的时间域特征，如其一般形状和突出瞬态。在一种新颖的方式，我们首先使用 spectrogram 和奇异谱分析将重要TS特征隔离到various组件中。然后以一种保留其统计属性的方式随机化残差信号。最后，这些组件被重新组合用于synthetic time series。我们使用临床环境中的加速度计数据，通过统计和形状措施将我们的方法与其他方法进行比较。我们表明该方法对原始信号特征的忠实度更高，拥有良好的多样性，并在深度学习应用中表现出更好的数据分类性能。
引用
@article{arxiv.2404.14211,
title = {Fidelitous Augmentation of Human Accelerometric Data for Deep Learning},
author = {Tracey K. M. Lee and H. W. Chan and K. H. Leo and Effie Chew and L. Zhao and Saeid Sanei},
journal= {arXiv preprint arXiv:2404.14211},
year = {2024}
}