在医疗可穿戴计算中对时间序列数据增强进行了全面的调查和比较分析

科学领域:

• 可穿戴传感器技术及其对医疗数据收集的影响.
• 机器学习在医疗保健中的应用越来越多.
• 时间系列 (TS) 数据分析及其挑战.

背景情况:

• 可穿戴传感器产生大量的时间序列 (TS) 数据用于医疗应用.
• 机器学习 (ML) 越来越多地用于分析这些数据,但由于收集复杂性的数据集大小有限,阻碍了ML的有效性.
• 数据增强 (DA) 通过生成合成数据提供了一个解决方案,特别有利于TS分类任务.

研究的目的:

• 为时间序列 (TS) 分类提供数据增强 (DA) 技术的全面调查和实验评估.
• 解决当前TSDA方法论的局限性,包括受限的分类学和缺乏对方法选择和最佳合成数据数量的指导.
• 提出更新的分类学,并确定最佳的DA技术,用于医疗相关的TS分类.

主要方法:

• 对时间序列 (TS) 的现有数据增强 (DA) 技术进行了全面的调查.
• 关于TSDA的更新分类的建议,分为随机转换 (RT),模式混合 (PM) 和生成模型 (GM).
• 在各种医疗相关数据集 (HAR,DEAP,BVDB,PMDB) 中对12种TSDA方法的实证评估.

主要成果:

• 随机转换 (RT) 方法尽管简单,但与没有增强相比,它们始终提高了分类性能.
• 确定最佳的DA技术和建议,用于合成数据生成,以最大限度地提高结果.
• 该研究提供了经验证据,支持DA在医疗应用的TS分类中的有效性.

结论:

• 数据增量 (DA) 是改善时间序列 (TS) 分类的关键技术,特别是在数据稀缺的医疗领域.
• 随机转换 (RT) 方法提供了一种可靠和有效的方法来提高TS分类性能.
• 拟议的分类学和实验发现为研究人员在医疗环境中应用TSDA提供了宝贵的指导.