基于图像的时间序列数据表示：脑电图伪迹检测中的比较分析

替代数据表示是增强下游模型性能的强大工具。然而，机器学习工具箱中存在大量此类表示，且该领域缺乏对每种表示方法适用性的比较性理解。本文提出将脑电图数据中的伪迹检测与分类作为评估时间序列数据基于图像表示的测试平台。随后，我们在六种常用表示方法上评估了十一种流行的深度学习架构。我们发现，虽然表示的选择涉及偏差与方差之间的权衡，但某些表示在实际中更有效地突出了提高数据信噪比的特征。我们展示了在脑电图数据上的结果，并开源了我们的测试框架，以促进未来在此方向上的比较分析。