通过受试者分组提升心率时间序列分类性能
机器学习
2024-08-19 v1 信号处理
摘要
与更常用于活动分类的 ECG 或 PPG 数据不同，心率时间序列数据细节较少、通常噪声更大且可能包含缺失数据点。利用包含带有个体所执行特定任务标注的心率时间序列的 BigIdeasLab_STEP 数据集，我们试图确定是否可实现通用分类。我们的分析表明，准确率对窗口/步长大小的选择敏感。此外，我们发现由于个体心脏物理结构差异，不同受试者间的分类性能存在变异。我们采用多种技术以最小化该变异性。首先，归一化被证明是至关重要的一步并显著提升了性能。其次，对受试者进行分组并在组内执行分类有助于提升性能并降低受试者间变异性。最后，我们表明将手工特征作为深度学习（DL）网络的输入进一步改善了分类性能。综上，这些发现表明心率时间序列可用于预测活动等分类任务。然而，需谨慎选择归一化或分组技术以最小化受试者变异性问题。
引用
@article{arxiv.2311.13285,
title = {Improving performance of heart rate time series classification by grouping subjects},
author = {Michael Beekhuizen and Arman Naseri and David Tax and Ivo van der Bilt and Marcel Reinders},
journal= {arXiv preprint arXiv:2311.13285},
year = {2024}
}