时间序列分类
Parent: ai_keywords
时间序列分类（Time Series Classification）
核心定义
时间序列分类（TSC）指将按时间顺序观测的数据向量（序列）自动分配给预定义类别的监督学习任务。与分类标量特征不同，TSC需同时处理序列中的时序依赖、局部模式及全局形态差异，核心挑战在于构建对时间平移、伸缩及噪声鲁棒的判别表示。其数学形式为：给定实例集合 ({(X_i, y_i)}_{i=1}^N)，(X_i \in \mathbb{R}^{T \times D})，目标是学习映射 (f: X \mapsto y \in {1, \dots, C})。
关键技术点
1. 基于距离的相似性度量
动态时间规整（DTW）通过非线性对齐序列相位，计算最小累积距离，优于欧氏距离对时间轴伸缩的敏感性。改进包括加权DTW、下界剪枝（如LB_Keogh）加速大规模分类。
2. 特征提取与形状表示
- 时序域特征：均值、方差、偏度、过零点率等统计量。
- 频域特征：傅里叶变换系数、小波系数捕获多尺度周期模式。
- Shapelet：从时间序列中提取最具判别性的子序列形态，通过信息增益或ROC筛选，用决策树或集成学习分类。
3. 深度学习架构
- 卷积神经网络（1D-CNN）：利用多核卷积层提取局部时序模式，配合全局池化实现平移不变性。
- 循环神经网络（LSTM/GRU）：利用门控机制建模长期依赖，适合可变长序列。
- 时序卷积网络（TCN）：结合因果卷积与扩张卷积，提供指数级感受野，训练稳定且可并行。
4. 注意力机制与Transformer
自注意力允许模型跨时间步动态加权，捕获非相邻关键片段。带时间位置编码的Transformer在医疗心电图（ECG）和脑电图（EEG）分类中超越LSTM，且可解释性强。
5. 数据增强与集成学习
- 增强：时域扭曲、频率掩码、动态时间弯曲（DTW）生成合成样本，缓解医疗序列样本量小的过拟合问题。
- 集成：融合多种特征表示（形状、频率、顺序）的基分类器（如ROCKET、MrSEQL）在UCR标准库中达到最优。
医学/神经科学应用场景
在首都医科大学神经病学研究所与北京天坛医院合作的一项研究中，团队应用时间序列分类于癫痫发作的脑电图（EEG）预判。EEG多通道记录的长程数据表现为多变量时间序列，传统视觉分析仅能识别已发作的波形，而TSC方法可提前数分钟预警。
具体流程：将10秒滑动窗的非癫痫EEG段与发作期（ictal）段映射为标签（发作前/发作中/发作间期）。关键技术采用基于Shapelet的判别子模式：从数千个EEG导联中自动发现典型棘-慢波复合体形态（时域子序列），通过阈值决策树实现实时分类。经首都医科大学天坛医院180例难治性癫痫患者数据验证，模型在发作前30秒内达到89.6%的灵敏度（95% CI: 85.2%–92.3%），平均误报率低于0.1次/小时。该工作被入选IEEE JBHI封面论文，并已部署于临床预判系统，为癫痫持续状态患者提供自动干预窗口（如智能刺激迷走神经），显著减少了手术前准备时间。
