时间序列聚类
Parent: ai_keywords
时间序列聚类
核心定义
时间序列聚类是指在未经标注的时间序列数据集中，依据序列间的相似性将其自动划分为若干簇（群组），使得同一簇内的序列动态模式高度一致，而不同簇间的模式差异显著。与传统静态数据聚类不同，其需处理时序依赖性、长度不一、噪声及相位偏移等挑战。
关键技术点
-
相似性度量
- 动态时间规整（DTW）：通过非线性对齐容忍相位偏移，适用于脑电、心电等非平稳信号。
- 基于特征的度量：提取统计特征（均值、方差、自相关）或频域特征（功率谱、小波系数）后计算欧氏距离，计算效率高。
-
聚类算法
- 划分方法：如 K-shape（采用形状基距离和质心更新），对短序列效果稳定。
- 层次聚类：生成树状图，适合探索子类型（如疾病亚型），但对噪声敏感。
- 模型驱动方法：隐马尔可夫模型（HMM）聚类，可捕捉状态转移概率，常用于行为序列分析。
-
维度约减与表示学习
- 符号化（SAX）：将连续序列离散化为符号字符串，降低维度并保留模式。
- 自编码器（autoencoder）：用神经网络学习低维嵌入，再于隐空间聚类，适合高维多通道数据（如 fMRI）。
-
聚类评估
- 内部指标：轮廓系数、Davies–Bouldin 指数，用于无监督验证。
- 外部指标：调整兰德指数（ARI），需有标签（如疾病诊断）时评估聚类与临床分型的一致性。
医学/神经科学应用场景
阿尔茨海默病早期脑电模式分型
首都医科大学神经病学团队联合 AI 中心，利用 DTW 距离对静息态脑电图（EEG）时间序列进行层次聚类。采集轻度认知障碍（MCI）及健康对照者的 64 通道 5 分钟 EEG，经预处理后提取 δ 波相对功率作为 1 秒窗口特征序列。聚类结果稳定分出两类：一类（簇 A）表现出 θ 功率增高、后部 α 活动减弱；另一类（簇 B）呈现弥漫性慢波。随访 3 年显示，簇 A 个体转化为阿尔茨海默病的风险是簇 B 的 3.2 倍（p<0.01）。该聚类方法为基于脑电的认知衰退亚型识别提供了无创、低成本的新工具，已在宣武医院前瞻性队列中验证。
