Self-Supervised Dynamical System Representations for Physiological Time-Series
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
提出PULSE框架,利用动力系统生成模型的信息结构,通过跨重建预训练目标提取共享系统参数信息,丢弃样本特异性噪声,提升生理时间序列的表示学习效果。
2026-06-07 cs.LG stat.ML
Integrating Physiological Time Series and Clinical Notes with Transformer for Early Prediction of Sepsis
UC, Davis Health(加州大学戴维斯健康中心);University of California, Santa Barbara(加州大学圣巴巴拉分校)
脓毒症是重症监护病房(ICU)的主要死亡原因。脓毒症的早期检测对患者的生存至关重要。在本文中,我们提出了一个多模式Transformer模型,用于早期脓毒症预测,使用生理时间序列数据和临床笔记,为每个病人在ICU入院$36$小时。具体而言,我们的目标是仅使用前12,18,24,30和36小时的实验室测量,生命体征,患者人口统计学和临床记录来预测脓毒症。我们在两个大型重症监护数据集上评估了我们的模型:MIMIC-III和eICU-CRD。所提出的方法与六个基线进行了比较。此外,进行消融分析和病例研究,以研究模型的每个单独组件的影响和每个数据模态对早期脓毒症预测的贡献。实验结果表明,我们的方法的有效性,它优于竞争基线的所有指标。
2022-03-28 cs.AI cs.LG
EvoMorph: Counterfactual Explanations for Continuous Time-Series Extrinsic Regression Applied to Photoplethysmography
Centre for Digital Health Interventions, ETH Zurich(数字健康干预中心,苏黎世联邦理工学院);Centre for Digital Health Interventions, University of St.Gallen(数字健康干预中心,圣加伦大学)
EvoMorph通过多目标进化框架生成生理合理的反事实解释,提升连续生物医学时间序列的可解释性和可信度。
2026-01-15 cs.LG
Collaborative learning of common latent representations in routinely collected multivariate ICU physiological signals
Usher Institute, University of Edinburgh(爱丁堡大学乌舍尔研究所);Department of Child Life and Health, University of Edinburgh(爱丁堡大学儿童生活与健康系)
本文提出一种结合LSTM与协同过滤的机器学习方法,从常规ICU多变量生理信号中学习共同潜在表示,用于脑损伤患者颅内高压检测,AUC达0.889,并优于自编码器。
2024-10-03 cs.LG
Does Deep Learning REALLY Outperform Non-deep Machine Learning for Clinical Prediction on Physiological Time Series?
Ricoh Software Research Center (Beijing) Co., Ltd.(理光软件研究所(北京)有限公司);Japan Advanced Institute of Science and Technology (JAIST)(日本北陆先端科学技术大学院大学(JAIST));Yale University School of Medicine(耶鲁大学医学院);The Second Xiangya Hospital, Central South University(中南大学湘雅二医院)
机器学习已广泛用于医疗保健应用中,以近似复杂模型,用于临床诊断、预后和治疗。由于深度学习具有从时间序列中提取信息的出色能力,其在稀疏、不规则采样、多变量和不平衡生理数据上的真正能力尚未得到充分探索。在本文中,我们系统地研究了机器学习模型的性能的临床预测任务的基础上EHR,特别是生理时间序列。我们选择Physionet 2019挑战公共数据集来预测ICU病房的脓毒症结局。比较了10种基线机器学习模型,包括3种深度学习方法和7种非深度学习方法,这些方法通常用于临床预测领域。九个具有特定临床意义的评价指标用于评估模型的性能。此外,我们对训练数据集大小进行子采样,并使用学习曲线拟合来研究训练数据集大小对机器学习模型性能的影响。提出了生理时间序列数据的一般预处理方法,并利用骰子损失法处理数据集不平衡问题。结果表明,深度学习确实优于非深度学习,但有一定的条件:首先,使用一些特定的评估指标(AUROC、AUPRC、Sensitivity和FNR)进行评估,而不是其他指标;其次,训练数据集大小足够大(估计为数千量级)。
2022-11-11 cs.AI cs.LG
Cyclostationary Phase Conditioning for Medical Time Series Diffusion
ETH Zurich(苏黎世联邦理工学院)
本文提出通过移位协变小波表示和逐样本相位条件化编码循环平稳性,并引入无训练循环平稳性指数及对偶耦合采样,以提升医学时间序列扩散恢复性能。
2026-09-30 cs.AI cs.LG eess.SP
Curriculum-Aware Interpolate-then-Refine: Learned Physiological Time-Series Imputation under Realistic Missingness
针对生理时间序列补全中通用模型的不足,提出CAIR两阶段框架,在多数据集多缺失机制下均实现最优性能,且能同时兼顾重建误差与临床负担指标。
2026-08-24 cs.AI cs.LG
Personalized Convolutional Dictionary Learning of Physiological Time Series
Centre Borelli(博雷利中心);Thales AVS(泰雷兹AVS公司);ENS Paris-Saclay(巴黎萨克雷高等师范学校);University of Pennsylvania(宾夕法尼亚大学);CMAP(应用数学与计算机科学中心);CNRS(法国国家科学研究中心);Ecole polytechnique(巴黎综合理工学院)
本文提出个性化卷积字典学习(PerCDL),通过可学习的时空变换将全局字典适配为个体局部字典,并给出理论与实验验证。
2025-03-10 cs.LG math.ST stat.ML
Augmenting Physiological Time Series Data: A Case Study for Sleep Apnea Detection
University of Oslo(奥斯陆大学);National University of Singapore(新加坡国立大学)
在健康领域的有监督机器学习应用经常面临训练数据集不足的问题。由于隐私问题以及医学专家进行数据采集和标记的成本,标记数据的数量很少。此外,收集的数据不平衡是很常见的,并且获得足够的数据来为个人个性化模型是非常昂贵的,甚至是不可行的。本文通过以下方式解决这些问题:(1)设计一个递归生成对抗网络来生成真实的合成数据并增强原始数据集;(2)基于严重不平衡的数据集生成平衡数据集;(3)以生成的数据类似于来自特定个体的数据的方式控制数据生成。我们将这些解决方案应用于睡眠呼吸暂停检测,并在评估四种众所周知的技术的性能时进行研究,即,K最近邻、随机森林、多层感知器和支持向量机。所有分类器在实验中表现出一致的灵敏度增加和kappa统计增加0.007和0.182之间。
2019-05-22 cs.LG eess.SP stat.ML
SOTER: A Generative Time-Series Foundation Model for Wearable Human Physiological Signals
Zhejiang University(浙江大学);Shanghai Innovation Institute(上海创新研究院);Fudan University(复旦大学);Huazhong University of Science and Technology(华中科技大学)
提出生成式基础模型SOTER,融合跨通道耦合、频谱引导专家与连续时间潜演化,在可穿戴生理信号上实现最优零样本预测、分类与插补性能。
2026-09-16 cs.AI cs.LG
ShapeWordNet: An Interpretable Shapelet Neural Network for Physiological Signal Classification
University of Science and Technology of China(中国科学技术大学);Tsinghua University(清华大学)
生理信号是一种高维时间序列,在医疗保健领域具有重要的应用价值。然而,以前的工作,其分类未能获得有希望的结果,由于棘手的数据特性和严重的标签稀疏性问题。在本文中,我们试图解决这些挑战,提出了一个更有效的和可解释的计划,为生理信号分类任务。具体来说,我们利用时间序列的形状来提取突出的局部模式,并进行可解释的序列离散化,以提取整个序列的信息。通过这样做,长且连续的原始信号被压缩成短且离散的令牌序列,其中局部模式和全局上下文都被很好地保留。此外,为了解决标签稀疏问题,自适应地设计了多尺度变换策略来扩充数据,并相应地设计了跨尺度对比学习机制来指导模型训练.我们将我们的方法命名为ShapeWordNet,并在三个真实世界的数据集上进行了广泛的实验,以研究其有效性。比较结果表明,我们提出的方案显着优于四类尖端方法。可视化分析进一步证明了基于Shapard的序列离散化思想的良好可解释性。
2023-02-10 cs.LG
Pattern Discovery in Time Series with Byte Pair Encoding
USC Information Sciences Institute(南加州大学信息科学研究所)
可穿戴传感器的日益普及产生了大量的时间生理和活动数据。分析这些数据的能力为实时健康监测和预测提供了新的机会。然而,时间生理数据提出了许多分析挑战:数据是嘈杂的,包含许多缺失值,每个系列具有不同的长度。大多数时间序列分析和分类方法不处理具有这些特征的数据集,也不提供可解释性和可解释性,这是健康领域的关键要求。我们提出了一种无监督的方法来学习表示的时间序列的基础上,在其中确定的共同模式。这些模式是可解释的,长度可变的,并使用字节对编码压缩技术提取。通过这种方式,该方法可以捕获数据中存在的长期和短期依赖性。我们表明,这种方法适用于单变量和多变量时间序列,并在从可穿戴传感器收集的真实世界数据集上击败了最先进的方法。
2021-05-30 cs.LG eess.SP
A Multi-Agent Framework for Interpreting Multivariate Physiological Time Series
Sapienza University of Rome Rome Italy;ISTC-CNR \& Sapienza University of Rome Rome Italy;Technical University of Munich Munich Germany;Sapienza University of Rome;ISTC-CNR \& Sapienza University of Rome;Technical University of Munich
本研究提出Vivaldi多智能体框架,通过对比不同模型表现,发现智能体系统在非思考模型中提升解释质量,但在思考模型中反而降低相关性,强调了计算外部化在医疗AI中的重要性。
2026-03-04 cs.LG
Toward World Modeling of Physiological Signals with Chaos-Theoretic Balancing and Latent Dynamics
University of California San Diego(加州大学圣地亚哥分校);Dartmouth College(达特茅斯学院);Amazon Web Services(亚马逊网络服务);Sanderling Renal Services(Sanderling 肾脏服务);Renal Research Institute(肾脏研究研究所);Icahn School of Medicine at Mount Sinai(辛克尔医学院(Mount Sinai))
本文提出NormWear-2模型,通过将多变量生理信号与临床干预变量编码到共享潜在空间,结合先验知识推理与非参数潜在状态转移适应,实现多时间尺度的预测。混沌理论平衡动态制度多样性提升了表示鲁棒性,且在不同临床场景下表现优异。
2026-05-14 cs.LG eess.SP
GRU-TV: Time- and velocity-aware GRU for patient representation on multivariate clinical time-series data
Xidian University(西安电子科技大学);Robarts Research Institute(罗伯茨研究所);Western University(韦仕敦大学);University of Michigan(密歇根大学)
电子健康记录(EHR)通常是高度多维,异构和多模式的。此外,临床变量的随机记录导致从电子病历中提取的多变量临床时间序列数据中的高缺失率和相邻记录之间的不均匀时间间隔。目前的工作,使用临床时间序列数据的病人表示把病人的生理状态作为一个离散的过程描述的零星收集的记录。然而,患者生理状况的变化是连续的动态过程。对时间和变化速度的感知对于患者的表示学习至关重要。在这项研究中,我们提出了一个时间和速度感知的门控递归单元模型(GRU-TV)的患者表示学习的临床多变量时间序列数据在时间连续的方式。神经常微分方程(ODEs)和速度感知机制分别用于感知相邻记录之间的时间间隔和患者生理状态的变化率。我们在两个真实的临床EHR数据集(PhysioNet 2012,MIMIC-III)上的实验表明,GRU-TV是计算机辅助诊断(CAD)任务的鲁棒模型,特别是在具有高方差时间间隔的序列上。
2022-10-12 cs.AI cs.LG
Toward Foundation Model for Multivariate Wearable Sensing of Physiological Signals
Halıcıoğlu Data Science Institute, University of California San Diego(哈利奇奥格鲁数据科学研究所,加州大学圣地亚哥分校);Schools of Engineering, Arizona State University(工程学院,亚利桑那州立大学)
针对可穿戴生理传感数据异质性强、泛化表示难的问题,提出带通道感知注意力的多模态基础模型NormWear,在11个数据集18项健康任务中多设置下均优于基线。
2025-05-16 cs.LG eess.SP
Application of Deep Interpolation Network for Clustering of Physiologic Time Series
University of Florida(佛罗里达大学);Sepsis and Critical Illness Research Center(脓毒症与危重病研究中心)
背景资料:在入院的早期阶段,临床医生必须使用有限的信息来做出诊断和治疗决策,因为患者的病情发展。然而,常见的是,来自患者的时间序列生命体征信息既稀疏又不规则地收集,这对机器/深度学习技术分析和促进临床医生改善人类健康结果提出了重大挑战。为了解决这个问题,我们提出了一种新的深度插值网络,从入院后6小时内测量的稀疏和不规则采样的时间序列生命体征中提取潜在表示。研究方法:我们为所有(n = 75,762)入住三级医疗中心持续6小时或更长时间的成年患者创建了一个电子健康记录数据的单中心纵向数据集,使用55%的数据集进行训练,23%用于验证,22%用于测试。在入院后6小时内提取6个生命体征(收缩压、舒张压、心率、体温、血氧饱和度和呼吸频率)的所有原始时间序列。提出了一种深度插值网络来从这种不规则的稀疏多变量时间序列数据中学习,以提取固定的低维潜在模式。我们使用k-means聚类算法聚类的病人入院导致7个集群。结果:培训、验证和测试队列具有相似的年龄(55 - 57岁)、性别(55%为女性)和入院生命体征。确定了七个不同的集群。M解释:在住院患者的异质队列中,深度插值网络从入院后6小时内测量的生命体征数据中提取表示。这种方法可能对时间限制和不确定性下的临床决策支持具有重要意义。
2020-04-27 cs.LG q-bio.QM stat.ML
Signal2Symbol: Neuro-Symbolic Temporal Reasoning for Explainable Physiological Time-Series Anomaly Detection
New York University(纽约大学);Koc University(科奇大学)
Signal2Symbol通过神经符号框架将生理信号转为符号序列,结合稀有项集挖掘与Allen/FCA推理,实现可解释的时序异常检测与复合时间解释。
2026-09-24 cs.AI cs.LG
MedTsLLM: Leveraging LLMs for Multimodal Medical Time Series Analysis
Johns Hopkins University(约翰斯·霍普金斯大学)
针对医学生理信号分析的难点,研究提出多模态大语言模型框架MedTsLLM,通过重编程层对齐时序嵌入与LLM空间、结合文本上下文,在多类医学时序任务上超越现有最优方法,为临床分析提供新方案。
2024-08-14 cs.LG
Hybrid Quantum Neural Network for Multivariate Clinical Time Series Forecasting
Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering, Umeå University, Sweden(诊断与介入部门,辐射物理,生物医学工程,乌梅大学,瑞典);Department of Naval, Electrical, Electronics and Telecommunications Engineering, University of Genoa, Italy(海军、电气、电子与电信工程部门,热那亚大学,意大利)
提出一种混合量子-经典架构,将变分量子电路集成到循环神经网络中,用于多变量生理时间序列的多步预测,在BIDMC数据集上表现出与基线相当的精度和更强的鲁棒性。
2026-05-25 cs.LG
DecompKAN: Decomposed Patch-KAN for Long-Term Time Series Forecasting
DecompKAN通过趋势残差分解、通道补丁、学习实例归一化和B-样条Kolmogorov-Arnold网络边缘函数,实现了轻量级无注意力架构,在时间序列预测中取得最佳性能。
2026-04-27 cs.AI cs.LG stat.ML
TNANet: A Temporal-Noise-Aware Neural Network for Suicidal Ideation Prediction with Noisy Physiological Data
Tsinghua University(清华大学);Communication University of China(中国传媒大学);Multimodal Sensing and Computing Laboratory(多模态感知与计算实验室)
针对自然噪声下基于 PPG 的自杀意念预测难题,提出融合先进编码与置信度学习的 TNANet,并构建真实数据集,性能优于现有方法。
2024-01-23 cs.CY cs.LG
SleepNet: Automated Sleep Analysis via Dense Convolutional Neural Network Using Physiological Time Series
在这项工作中,构建了一个密集的递归卷积神经网络(DRCNN),用于使用2018年Physionet挑战数据库中提供的多导睡眠图(PSG)测量通道检测睡眠障碍,包括觉醒、呼吸暂停和呼吸不足。我们的模型结构由多个密集卷积单元(DCU)组成,然后是双向长短期记忆(LSTM)层,然后是softmax输出层。睡眠事件,包括睡眠阶段,唤醒区域和多种类型的呼吸暂停和呼吸不足的专家手动注释,使我们能够训练我们提出的网络使用多任务学习机制。将对应于睡眠/唤醒、目标唤醒和呼吸暂停-呼吸不足/正常检测任务的三个二进制交叉熵损失函数相加,以生成使用Adam方法优化的整体网络损失函数。我们的模型性能使用两个指标进行评估:准确率-召回率曲线下面积(AUPRC)和受试者工作特征曲线下面积(AUROC)。为了衡量我们的模型泛化,还进行了4重交叉验证。为了训练,我们的模型被应用于完整的夜间记录数据。最后,在我们的测试数据集中,与觉醒检测任务相关的平均AUPRC和AUROC值分别为0.505和0.922。在不同数据折叠上训练的四个模型的集合将AUPRC和AUROC分别提高到0.543和0.931。我们提出的算法在2018年Physionet挑战赛的官方阶段获得了第一名,用于在盲测数据集上检测睡眠觉醒,AUPRC为0.54。
2019-07-24 cs.LG cs.NE q-bio.NC
Multimodal Physiological Signals Representation Learning via Multiscale Contrasting for Depression Recognition
Huazhong University of Science and Technology(华中科技大学);South China University of Technology(华南理工大学);University of Toronto(多伦多大学)
本文提出MRLMC框架,利用孪生架构和多尺度对比学习融合fNIRS与EEG信号,通过时空对比和语义一致性模块提升抑郁症识别性能,并在多模态时间序列任务中具有迁移能力。
2024-06-26 cs.AI cs.LG
QualityFM: a Multimodal Physiological Signal Foundation Model with Self-Distillation for Signal Quality Challenges in Critically Ill Patients
Department of Electronics, Information and Bioengineering, Politecnico di Milano(电子、信息与生物工程系,米兰理工学院);State Key Laboratory of Industrial Control Technology, Zhejiang University(工业控制技术国家重点实验室,浙江大学)
提出多模态生理信号基础模型QualityFM,利用自蒸馏双轨架构与窗口稀疏注意力机制处理ICU中不同质量的PPG和ECG信号,在2100万波形上预训练并在三个临床任务上验证了其有效迁移性。
2025-09-14 cs.AI cs.LG
U-Time: A Fully Convolutional Network for Time Series Segmentation Applied to Sleep Staging
University of Copenhagen(哥本哈根大学);Danish Center for Sleep Medicine(丹麦睡眠医学中心);Rigshospitalet(丹麦国家医院)
神经网络在生理时间序列分析中的应用越来越广泛。该领域最成功的深度学习系统结合了卷积层和递归层,以提取有用的特征来建模时间关系。不幸的是,这些循环模型很难调整和优化。根据我们的经验,它们通常需要特定于任务的修改,这使得它们对于非专家来说具有挑战性。我们提出了U-Time,这是一种用于分析睡眠数据的生理时间序列分割的完全前馈深度学习方法。U-Time是一个基于U-Net架构的时间全卷积网络,最初是为图像分割而提出的。U-Time将任意长度的序列输入映射到自由选择的时间尺度上的类标签序列。这是通过隐式地对输入信号的每个单独的时间点进行分类并在固定间隔内聚合这些分类以形成最终预测来完成的。我们评估了U-Time在大量睡眠脑电图(EEG)数据集上的睡眠阶段分类。在所有情况下,我们发现U-Time都达到或优于当前最先进的深度学习模型,同时在训练过程中更加强大,并且不需要跨任务进行架构或超参数调整。
2019-10-24 cs.LG eess.SP stat.ML
Nonlinear parametric model for Granger causality of time series
我们推广了以前提出的方法的非线性Granger因果关系的时间序列,基于径向基函数。该模型不受两个时间序列中变量的可加性限制,可以近似这些变量的任何函数,仍然适用于评估因果关系。在一个生理学的例子和兴奋性和抑制性神经元模型中的反馈回路的研究中,这种因果关系的测量是正确的。
2006-02-07 cond-mat.dis-nn cond-mat.stat-mech cs.LG
Automatic time-series phenotyping using massive feature extraction
Monash Institute of Cognitive and Clinical Neurosciences (MICCN), Monash University(莫纳什大学认知与临床神经科学研究所);Department of Mathematics, Imperial College London(伦敦帝国理工学院数学系)
在科学和工业应用的广泛多样性中,一个普遍的关键问题涉及将时间序列数据的结构与有意义的结果相关联,例如从传感器记录中检测异常事件,或从心率或大脑活动等生理时间序列测量中诊断患者。目前,研究人员必须投入相当大的努力,手动设计,或搜索,他们的时间序列,适合手头的特定分析问题的属性。为了解决这个非系统的和耗时的过程,在这里我们介绍一个新的工具,hctsa,通过比较从不同的科学文献中提取的7700多个时间序列特征的实现,自动选择时间序列的可解释和有用的属性。使用两个典型的生物学应用,我们展示了hctsa如何让研究人员利用数十年的时间序列研究来量化和理解他们的时间序列数据中的信息结构。
2016-12-15 cs.LG physics.data-an q-bio.QM
Modality vs. Morphology: A Framework for Time Series Classification for Biological Signals
UT-Battelle, LLC(UT-巴特勒公司);Oak Ridge National Laboratory(橡树岭国家实验室)
本文提出了一种统一的形态-模态框架,通过分析生物信号的形态结构,揭示了如何影响模型设计和性能,强调形态对预处理和建模策略的重要性,并指出未来的工作方向包括形态数据增强和评估指标改进。
2026-11-13 cs.AI cs.LG
Specific Differential Entropy Rate Estimation for Continuous-Valued Time Series
Uniformed Services University(美国三军大学)
我们介绍了一种方法,通过扩展的微分香农熵率量化的连续值时间序列的固有不可预测性。我们的扩展,特定熵率,量化了与特定状态相关的预测不确定性的数量,而不是所有状态的平均值。我们将特定的熵率与流行的“复杂性”措施,如近似和样本熵。我们提供了一个数据驱动的方法来估计所观察到的时间序列的特定熵率。最后,我们考虑三个案例研究估计特定的熵率从合成和生理数据相关的心率变异性的分析。
2016-06-08 cs.LG stat.ME
Functional MRI Time Series Generation via Wavelet-Based Image Transform and Spectral Flow Matching for Brain Disorder Identification
School of Information Technology, Monash University Malaysia(墨尔本大学马来西亚分校信息科技学院);School of Engineering, Monash University Malaysia(墨尔本大学马来西亚分校工程学院);Statistics Program, King Abdullah University of Science and Technology(国王阿卜杜勒·阿齐兹大学科学与技术学院统计学项目)
提出双频谱流匹配(DSFM)框架,通过离散小波变换和离散余弦变换对BOLD信号进行双频表示,结合频谱流匹配生成类条件余弦频率表示,再经逆变换重建生理上合理的时域BOLD信号,以改善下游脑网络分类。
2026-05-28 cs.AI cs.CV cs.LG
Agentic Anomaly Detection with ORCA-Style Dynamic Inductive Bias Adaptation in Multimodal Wearable Time Series Data
BITS Pilani(皮尔尼理工学院)
该研究针对资源受限的非平稳生理时间序列异常检测问题,提出ORCA框架,通过监督控制器动态调整时间感受野,在WBAN和MIMIC-IV数据集上实现稳健性能,无需预调时间范围。
2026-08-11 cs.AI cs.LG
MedMamba: Recasting Mamba for Medical Time Series Classification
Department of Electrical and Computer Engineering, Villanova University(维拉诺瓦大学电气与计算机工程系);Microsoft Research Asia(微软亚洲研究院);Morgan Stanley(摩根士丹利)
MedMamba通过引入空间中心化、多时间尺度时序组成和非因果上下文依赖等原理,设计了轻量级通道混合模块、多尺度卷积分块和双向Mamba块,有效提升医学时间序列分类性能,实验表明其在多个数据集上均优于现有方法。
2026-04-17 cs.AI cs.LG eess.SP
Advancing time series completion via RFAMoE and MDFF
University of Georgia(佐治亚大学);University of Arizona(亚利桑那大学);Northeastern University(东北大学)
本文提出基于MoE的噪声估计器和RFAMoE、MDFF模块,通过自适应接收域和并行信号融合提升医疗时间序列补全性能。
2026-01-12 cs.AI cs.LG
LFZip: Lossy compression of multivariate floating-point time series data via improved prediction
Stanford University(斯坦福大学);Siemens Corporation(西门子公司)
随着物联网设备和传感器的增长,时间序列数据压缩正在成为一个重要问题。由于这些数据集中存在噪声,有损压缩通常可以提供显著的压缩增益,而不会影响下游应用程序的性能。在这项工作中,我们提出了一个错误有界的有损压缩器,LFZip,多变量浮点时间序列数据,提供保证重建用户指定的最大绝对误差。压缩器基于预测-量化-熵编码器框架,并且受益于使用线性模型和神经网络的改进预测。我们评估的压缩机上的几个时间序列数据集,它优于现有的最先进的误差有界有损压缩机。代码和数据可在https://github.com/shubhamchandak94/LFZip上获得
2020-01-13 cs.LG eess.SP
Multi-Task Time Series Analysis applied to Drug Response Modelling
University of Edinburgh(爱丁堡大学);The Alan Turing Institute(艾伦·图灵研究所);NHS Greater Glasgow and Clyde(英国国家医疗服务体系大格拉斯哥和克莱德分部)
时间序列模型(如动态系统)经常被拟合到一组数据中,忽略了个体实体(如患者)之间的变化。在本文中,我们将展示如何通过使用多任务学习(MTL)将这些模型个性化到个人水平,同时保留统计能力。据我们所知,这是一个新的发展MTL适用于时间序列和无控制输入。的建模框架上表现出的生理药物反应的问题,从而提高了预测精度和不确定性估计超过现有的国家的最先进的模型。
2019-03-21 cs.LG stat.ML
Sequential Multi-Dimensional Self-Supervised Learning for Clinical Time Series
Massachusetts Institute of Technology(麻省理工学院);Harvard-MIT Program in Health Sciences and Technology(哈佛-麻省理工健康科学与技术项目)
针对现有临床时间序列自监督学习无法处理多模态数据的局限,提出序列多维度SSL方法,通过双尺度施加自监督损失提升性能,在两类临床数据集上均优于基线。
2023-07-20 cs.LG
Concurrence: A dependence criterion for time series, applied to biological data
The Children’s Hospital of Philadelphia(费城儿童医院);University of Pennsylvania(宾夕法尼亚大学)
本文提出一种基于时间序列分类器区分对齐与错位段的关联性准则,用于揭示生物数据中的复杂非线性关系,无需先验知识或大量数据。
2026-04-22 cs.LG eess.SP
Time Series Classification via Topological Data Analysis
Istanbul Technical University(伊斯坦布尔技术大学)
在本文中,我们开发了拓扑数据分析方法的分类任务上的单变量时间序列。作为一个应用程序,我们在两个公共数据集上执行二元和三元分类任务,这些数据集由压力和非压力条件下收集的生理信号组成。我们实现了我们的目标,通过使用持久的同源性工程师稳定的拓扑特征后,我们使用的信号的时间延迟嵌入和执行子窗口,而不是使用固定长度的窗口。我们使用的方法的组合可以应用于任何单变量时间序列,并且在此应用中允许我们减少噪声并使用长窗口大小,而不会产生额外的计算成本。然后,我们在我们算法设计的特征上使用机器学习模型,以获得更少特征的更高准确度。
2021-06-11 cs.LG stat.ML
Cross-Temporal Attention Fusion (CTAF) for Multimodal Physiological Signals in Self-Supervised Learning
HEC Montréal(蒙特利尔高等商学院);Mila-Quebec Artificial Intelligence Institute(魁北克人工智能研究所Mila)
CTAF通过时间感知的交叉注意力机制,实现多模态生理信号在自监督学习中的高效融合,提升匹配对的余弦边距和跨模态检索性能,同时保持高准确率并减少标签依赖。
2026-02-02 cs.AI cs.LG
MC-QDSNN: Quantized Deep evolutionary SNN with Multi-Dendritic Compartment Neurons for Stress Detection using Physiological Signals
International Institute of Information Technology Bangalore(国际信息技术研究所班加罗尔分校)
本文提出MCLeaky多区室神经元及其量化深度进化SNN,用于多模态生理信号压力检测,以更少参数达到98.8%准确率,并显著降低能耗与EDP。
2024-10-25 cs.LG cs.NE
TransConv-DDPM: Enhanced Diffusion Model for Generating Time-Series Data in Healthcare
Department of Computer Science Texas State University San Marcos, TX, USA(计算机科学系德克萨斯州立大学桑马科斯分校)
TransConv-DDPM通过结合DDPM、U-Net和Transformer层,有效生成医疗领域的高质量时序数据,提升预测模型性能。
2026-02-03 cs.LG
Combining Deep Transfer Learning with Signal-image Encoding for Multi-Modal Mental Wellbeing Classification
情绪状态的量化是理解幸福的重要一步。来自多种模态的时间序列数据(例如生理和运动传感器数据)已被证明是测量和量化情绪的不可或缺的。在长时间段内监测情绪轨迹继承了与训练数据的大小有关的一些关键限制。这个缺点可能会阻碍可靠和准确的机器学习模型的开发。为了解决这个问题,本文提出了一个框架来解决在多个多模态数据集上执行情绪状态识别的局限性:1)将多变量时间序列数据编码成彩色图像; 2)利用预先训练的对象识别模型来应用迁移学习(TL)方法,使用来自步骤1的图像; 3)利用1D卷积神经网络(CNN)从生理数据执行情绪分类; 4)将预先训练的TL模型与1D CNN连接。此外,通过使用大的身体活动数据集初始训练1D CNN,然后将学习到的知识应用于目标数据集,来探索执行TL以从生理数据推断压力的可能性。我们证明,使用我们的框架可以增强在5点Likert量表上推断现实世界幸福感时的模型性能,从而获得高达98.5%的准确率,比传统的CNN高出4.5%。使用相同方法的受试者独立模型的平均准确度为72.3%(SD 0.038)。提出的基于CNN-TL的方法可以克服小训练数据集的问题,从而提高传统深度学习方法的性能。
2020-11-20 cs.CV cs.LG
Interpolation-Prediction Networks for Irregularly Sampled Time Series
College of Information and Computer Sciences(信息与计算机科学学院);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
在本文中,我们提出了一种新的深度学习架构,用于解决具有稀疏和不规则采样的多变量时间序列的监督学习问题。该架构是基于使用一个半参数插值网络,其次是预测网络的应用程序。插值网络允许在插值阶段跨多变量时间序列的多个维度共享信息,而任何标准的深度学习模型都可以用于预测网络。这项工作的动机是分析电子健康记录中的生理时间序列数据,这些数据是稀疏的,不规则采样的,多变量的。我们研究了这种架构在分类和回归任务上的性能,表明我们的方法优于一系列基线和最近提出的模型。
2019-09-13 cs.LG stat.ML
Multi-Time Attention Networks for Irregularly Sampled Time Series
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
不规则采样出现在许多时间序列建模应用中,它对标准深度学习模型提出了重大挑战。这项工作的动机是分析电子健康记录中的生理时间序列数据,这些数据是稀疏的,不规则采样的,多变量的。在本文中,我们提出了一个新的深度学习框架,我们称之为多时间注意力网络。多时间注意力网络学习连续时间值的嵌入,并使用注意力机制来产生包含可变数量观测的时间序列的固定长度表示。我们研究了该框架在使用多个数据集的插值和分类任务上的性能。我们的研究结果表明,所提出的方法的性能与一系列基线和最近提出的模型一样好或更好,同时提供比当前最先进的方法更快的训练时间。
2021-06-07 cs.AI cs.LG
A Hybrid Loss Framework for Decomposition-based Time Series Forecasting Methods: Balancing Global and Component Errors
Sichuan University(四川大学);University of Colorado Anschutz Medical Campus(科罗拉多大学安舒茨医学校区)
针对基于分解的时间序列方法中整体损失可能忽视关键子序列的问题,提出结合全局损失与分量损失的混合损失框架,通过双重最小-最大算法动态调整权重,在多个数据集上实现0.5-2%的平均性能提升。
2024-11-18 cs.LG stat.ML
Adopting Trustworthy AI for Sleep Disorder Prediction: Deep Time Series Analysis with Temporal Attention Mechanism and Counterfactual Explanations
Kent State University(肯特州立大学);Brookhaven National Laboratory(布鲁克海文国家实验室);Chapman University(查普曼大学)
本文提出结合TCN、LSTM和TFT三种深度时间序列模型,并引入时间注意力机制与SHAP反事实解释,在大规模睡眠健康数据上实现可信、可解释的睡眠障碍预测。
2024-12-25 cs.LG
Represent, Then Generate: Multimodal-Conditioned Time-Series Generation under Irregular Missingness
提出ReCoGen两阶段框架,将多模态条件表征与生成分离,在三个生理基准的16项任务中超越6种生成器,可合成缺失生理信号以实现低侵入性临床监测。
2026-08-18 cs.LG
Patch-wise Structural Loss for Time Series Forecasting
College of Intelligence and Computing, Tianjin University, China(智能与计算学院,天津大学,中国)
针对时间序列预测中逐点损失忽略结构依赖的问题,提出 Patch-wise 结构(PS)损失,通过在 patch 级别利用局部统计特性增强结构对齐,并与逐点损失无缝集成,显著提升了最先进模型在真实数据集上的性能。
2025-07-15 cs.LG
IGNITE: Individualized GeNeration of Imputations in Time-series Electronic health records
University of Oxford(牛津大学);Nanjing University of Information Science & Technology (NUIST)(南京信息工程大学)
针对纵向电子健康记录缺失率高且缺失模式含个体健康信息的问题,提出带双阶段注意力和个体化缺失掩码的条件双变分自编码器模型IGNITE,可实现个性化缺失值插补与数据合成,在三个公开数据集上性能优于现有最优方法。
2024-12-13 cs.AI cs.LG
Modeling Irregularly Sampled Clinical Time Series
College of Information and Computer Sciences(信息与计算机科学学院);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
虽然电子健康记录(EHR)数据量持续增长,但医院系统捕获密集的生理数据流仍然很少,即使在数据丰富的重症监护室环境中也是如此。相反,典型的EHR记录由稀疏和不规则观测的多变量时间序列组成,这被很好地理解为对机器学习方法提出了特别具有挑战性的问题。在本文中,我们提出了一种新的深度学习架构来解决这个问题,该架构基于使用半参数插值网络,然后应用预测网络。插值网络允许在插值阶段跨多个维度共享信息,而任何标准的深度学习模型都可以用于预测网络。我们调查的性能,这种架构的死亡率和住院时间预测的问题。
2018-12-03 cs.LG stat.ML
Fine-Tuning a Time Series Foundation Model with Wasserstein Loss
针对LLM架构在时间序列预测中交叉熵损失未考虑类间距离的局限,提出使用Wasserstein损失进行微调,并在22个零样本数据集上验证了该方法显著提升了点估计性能。
2024-11-18 cs.AI cs.CL cs.LG
Fre-CW: Targeted Attack on Time Series Forecasting using Frequency Domain Loss
Shanghai Jiaotong University(上海交通大学)
本文提出了一种基于频域损失的时间序列预测对抗攻击算法,通过结合时域和频域损失优化对抗样本,揭示了当前预测模型的脆弱性并在主要数据集上取得优异攻击性能。
2025-08-12 cs.LG
DBLoss: Decomposition-based Loss Function for Time Series Forecasting
East China Normal University(东华师范大学)
针对现有MSE损失难以准确捕捉预测区间内季节性与趋势的问题,提出基于分解的DBLoss损失函数,通过指数移动平均分解分量并分别加权计算损失,可适配各类预测模型,显著提升了现有最优模型在多数据集上的性能。
2025-10-27 cs.LG