单变量通道融合用于多变量时间序列分类
机器学习
2026-04-20 v1
摘要
多变量时间序列分类(MTSC)在生物医学信号分析和运动监控等多个领域发挥着关键作用。然而，现有方法，特别是深度学习模型，往往需要高计算资源，使其不适用于实时应用或部署在低成本硬件(如物联网设备和可穿戴系统)上。在本文中，我们提出了单变量通道融合(UCF)方法来高效处理MTSC。UCF通过简单的通道融合策略(如平均值、中位数或动态时间Warping重心)将多变量时间序列转化为单变量表示。这种转换使任何原为单变量时间序列设计的分类器都能使用，为复杂模型提供了灵活且计算轻量级的替代方案。我们在五个案例研究中对UCF进行了评估，涵盖化学监测、脑机接口和人体活动分析等多样化的应用领域。结果表明，UCF通常优于基线方法和针对MTSC的最先进算法，同时在计算效率上实现了显著提升，在高信道相关性问题中尤其有效。
引用
@article{arxiv.2604.16119,
title = {Univariate Channel Fusion for Multivariate Time Series Classification},
author = {Fernando Moro and Vinicius M. A. Souza},
journal= {arXiv preprint arXiv:2604.16119},
year = {2026}
}
备注
International Conference on Pattern Recognition (ICPR 2026)