基于统计与保持形状的替代数据与奇异谱分析用于康复评估

时间序列数据按时间顺序收集，广泛用于训练预测、建模和分类等系统。这些系统需要大量数据以提高泛化性并防止过拟合。然而，由于运营限制，缺乏大量时间序列数据。这一局面通过合成数据来缓解，这些数据既保留原始数据的特征离散度，又保持其独特特征——即基本统计特性和整体形状，这些特性对短时间序列至关重要，如康复应用或快速变化的长数据片段中。在此之前的工作中，我们使用合成替代时间序列来增强康复数据。这一方法在分类任务中取得了良好结果，但所生成的波形未能保持原始信号的形状。为此，我们采用奇异谱分析（SSA）将信号分解为趋势分量和循环分量，以描述信号的形状和低频成分。我们以一种新颖的方式，对低频成分进行随机化处理，然后与原始趋势和循环分量重新组合，以形成合成时间序列。我们与其他方法进行比较，使用统计和形状度量进行评估，证明了其在分类任务中的有效性。