基于时间序列Shapelets的u-Health心电图可解释早期分类研究

Analyzing electrocardiogram data in u-Health system and making early classification can provide emergency alert to doctor so as to make timely medication or surgery even save time to save lives. This project will extract features in ECG data based on time series shapelets, and utilize the features to realize interpretable early classification.Continuous monitoring ECG data mainly exist in the form of multivariate time series, while shapelets are discriminative subsequences in time series with high interpretability, and multi-view data can obtain better model performance than single-view data. The project will study deeply from the following aspects: local shapelets discovery of multivariate time series,multi-view feature ensemble on time series shapelets and ECG wave feature, and then design classifiers to do early prediction. Through this research, it is expected to realize reliable classification of ECG data and ensure the earliness,accuracy and interpretability of classification,theoretically enrich and expand the connotation of time series data mining and practically be applied to the actual healthcare field.

分析u-Health系统心电图数据并进行早期分类，可给医生提供紧急警报以便及时治疗甚至挽救生命。本项目拟基于时间序列shapelets对心电图数据提取特征，利用提取的特征实现可解释性的早期分类。心电图的连续监控数据以多元时间序列的形式存在，时间序列shapelets是时间序列中最具有辨别性的子序列，具有可解释性，而多视图数据可以获得比单视图数据更高的模型性能。拟研究多元时间序列中的局部shapelets；基于multi-view的观点对时间序列的shapelets特征和心电图的波形特征做集成特征选择；基于集成的特征设计分类器提前分类。综合上述研究，以期实现心电图数据的可靠分类,确保分类的早期性、准确率和可解释性，可望在理论上丰富和拓展时间序列数据挖掘的内涵,在实践上应用于实际医疗健康领域。

U-Health 系统心电图的连续监控数据以时间序列的形式存在，时间序列shapelet作为一种局部特征拥有极高的辨别性，基于时间序列shapelet对心电图进行可解释性早期分类在医疗保健领域十分重要。在本项目的资助下，我们在时间序列shapelet发现及心电图早期分类方面取得了一些成果。本项目的主要研究工作如下。1）提出了一种基于关键点的时间序列shapelet发现方法PSKP。2）提出了一种时间序列的多特征字典表示方法，并基于多特征字典表示和集成学习提出时间序列分类方法TBOPE。3）提出了两种基于shapelet的时间序列早期分类方法，分别是：a) 基于随机选择策略的shapelet发现的早期分类EARSC方法；b）基于预测起点的shapelet发现的早期分类IEDSC方法。4）基于特征融合的心电时间序列特征提取，并采用基于核函数优化的支持向量机对心电时间序列分类，在心电数据集上的实验验证了该方法的有效性。5）将提出的基于预测起点的shapelet发现的早期分类IEDSC方法应用于医学领域的心电图早期分类。对一维和多维心电数据进行分类实验，从准确率、早期性、特异性和灵敏度的角度对分类结果进行分析，并且从心电图波形的角度分析所提取shapelet的可解释性。实验分析表明，基于预测起点时间序列早期分类算法IEDSC能够适用于心电序列的早期分类问题。在成果指标方面，发表CCF推荐SCI英文期刊论文4篇，发表CCF推荐国际会议论文1篇，发表中文期刊论文1篇。项目的研究在理论方面从时间序列shapelet特征的角度丰富时间序列数据挖掘的内涵，在实际应用方面为医学数据的分类提供了一种参考的思路。