Модифицированным метод классификации многомерных временных рядов с использованием шейплетов

А.П. Карпенко, П.И. Сотников

ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2017. № 2

Вместе с тем малое число (менее четырех) шейплетов в наборе приводит к сниже-

нию точности классификации для всех алгоритмов классификации.

Заключение.

В результате исследований выявлена возможность примене-

ния генетического алгоритма для повышения эффективности классификации

многомерных временных рядов методом шейплетов. На известных тестовых

данных, представляющих собой записи ЭЭГ, полученные при экспериментах с

интерфейсом мозг–компьютер, установлено, что генетический алгоритм в сред-

нем позволяет получить лучшее приближение к оптимальному значению, чем

алгоритм поиска с отбрасыванием кандидатов. При этом генетический алго-

ритм обеспечивает сокращение множества перебора почти на 99 %.

Показана возможность применения предложенной модификации метода

шейплетов для выделения характерных признаков сигнала ЭЭГ в приложениях

интерфейса мозг–компьютер.

Для повышения точности классификации, достижимой на векторах-приз-

наков, полученных с помощью шейплет-метода, имеет смысл рассмотреть дру-

гие стратегии включения шейплетов в набор: вместо выбора нескольких луч-

ших кандидатов, целесообразно решать задачу поиска оптимального сочетания

шейплетов. Такой подход составляет предмет для дальнейших исследований.

ЛИТЕРАТУРА

Ye L., Keogh E.

Time series shapelets: a new primitive for data mining // Proc. 15th ACM

SIGKDD Int. Conf. on Knowledge Discovery and Data Mining. 2009. Р. 947–956.

Lines J., Davis L.M., Hills J., Bagnall A.

A shapelet transform for time series classification //

Proc. 18th ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining. 2012.

Р. 289–297.

Grabocka J.,

et al

. Scalable discovery of time-series shapelets. 2015. Cornell University,

Technical Report arXiv:1503.03238. URL:

https://arxiv.org/pdf/1503.03238.pdf

(дата обра-

щения: 25.01.2017).

How

many people are able to control a P300-based brain–computer interface (BCI)? /

С. Guger, S. Daban, Е. Sellers, С. Holzner, G. Krausz // Neuroscience Letters. Vol. 462. No. 1.

2009. Р. 94–98. DOI: 10.1016/j.neulet.2009.06.045

URL:

http://www.sciencedirect.com/science/article/pii/S0304394009008192

Rakthanmanon T., Keogh E.

Shapelets: a scalable algorithm for discovering time series

shapelets // Proc. 13th SIAM Int. Conf. on Data Mining. 2013. Р. 668–676.

Classification

of time series by shapelet transformation / J. Hills, J. Lines, Е. Baranauskas,

J. Mapp, А. Bagnall // Data Mining and Knowledge Discovery. 2014. Vol. 28. No. 4. Р. 851–

881. DOI: 10.1007/s10618-013-0322-1

URL:

http://link.springer.com/article/10.1007%2Fs10618-013-0322-1

Grabocka J., Schilling N., Wistuba M., Schmidt-Thieme L.

Learning time-series shapelets //

Proc. 20th ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining. 2014.

Р. 392–401.

Карпенко А.П.

Современные алгоритмы поисковой оптимизации. М.: Изд-во МГТУ

им. Н.Э. Баумана, 2014. 446 с.