Модифицированный метод классификации многомерных временных рядов с использованием шейплетов

Рассмотрена классификация многомерных временных рядов с помощью метода шейплетов. Вместо полного перебора фрагментов исходных временных рядов для поиска шейплетов предложено использовать генетический алгоритм. Выполнена оценка качества шейплетов путем определения точности классификации, достижимой на множестве векторов расстояний от кандидата до исходных временных рядов. Эффективность предложенных модификаций метода шейплетов исследована путем анализа известных электроэнцефалограмм, полученных при работе пользователей с интерфейсом мозг-компьютер на основе волны Р300. Результаты исследования показали, что применение указанных модификаций позволяет сократить почти на 99 % множество перебора при поиске шейплетов без потери точности классификации.

Литература

[1] 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.

[2] 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.

[3] 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 обращения: 25.01.2017).

[4] 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

[5] Rakthanmanon Т., Keogh E. Shapelets: a scalable algorithm for discovering time series shapelets // Proc. 13th SIAM Int. Conf. on Data Mining. 2013. Р. 668-676.

[6] 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. 851881. DOI: 10.1007/s10618-013-0322-1 URL: http://link.springer.com/article/10.1007%2Fs10618-013-0322-1

[7] Grabocka J., Schilling N., Wistuba M., Schmidt-meme L. Learning time-series shapelets // Proc. 20th ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining. 2014. Р. 392-401.

[8] Карпенко А.П. Современные алгоритмы поисковой оптимизации. М.: Изд-во МГТУ им. Н.Э. Баумана, 2014. 446 с.

[9] Lines J., Bagnall A. Alternative quality measures for time series shapelets // Intelligent Data Engineering and Automated Learning - IDEAL 2012. 2012. Vol. 7435. Р. 475-483.

[10] Chen P.H., Lin C.J., Scholkopf B. A tutorial on v-support vector machines // Applied Stochastic Models in Business and Industry. 2005. Vol. 21. No. 2. Р. 111-136. DOI: 10.1002/asmb.537 URL: http://onlinelibrary.wiley.com/doi/10.1002/asmb.537/abstract

[11] Нессонова М.Н. Метод рейтингового голосования комитета алгоритмов в задачах классификации с учителем // Запорожский медицинский журнал. 2013. № 1. С. 101-102. DOI: 10.14739/2310-1210.2013.1.15533 URL: http://zmj.zsmu.edu.ua/article/view/15533

[12] Kubat M., Holte R., Matwin S. Learning when negative examples abound // Proc. 9th European Conf. on Machine Learning. LNCS. 1997. Vol. 1224. Р. 146-153.

[13] Anand A., Pugalenthi G., Fogel G.B., Suganthan P. An approach for classification of highly imbalanced data using weighting and undersampling // Amino Acids. 2010. Vol. 39. No. 5. Р. 1385-1391. DOI: 10.1007/s00726-010-0595-2 URL: http://link.springer.com/article/10.1007/s00726-010-0595-2

[14] Hoffmann U., Vesin J., Diserens K., Ebrahimi T. An efficient P300-based brain-computer interface for disabled subjects // Journal of Neuroscience Methods. 2008. Vol. 167. No. 1. Р. 115-125. DOI: 10.1016/j.jneumeth.2007.03.005 URL: http://www.sciencedirect.com/science/article/pii/S0165027007001094

[15] Riccio A., Schettini F., Pizzimenti A. Attention and P300-based BCI performance in people with amyotrophic lateral sclerosis // Frontiers in Human Neuroscience. 2013. Vol. 7. Article no. 732. DOI: 10.3389/fnhum.2013.00732 URL: http://journal.frontiersin.org/article/10.3389/fnhum.2013.00732/full