Services on Demand
Journal
Article
Indicators
Cited by SciELO
Access statistics
Related links
Similars in SciELO
Share
Revista mexicana de ingeniería biomédica
On-line version ISSN 2395-9126Print version ISSN 0188-9532
Abstract
KU-MALDONADO, Carlos Alejandro and MOLINO-MINERO-RE, Erik. Evaluación del Rendimiento de Métodos de Transformación de Series Temporales Biomédicas para Tareas de Clasificación. Rev. mex. ing. bioméd [online]. 2023, vol.44, n.spe1, pp.105-116. Epub June 21, 2024. ISSN 2395-9126. https://doi.org/10.17488/rmib.44.4.7.
La extracción de características de series temporales es esencial en diversos campos, pero sigue siendo un desafío. Por lo tanto, es crucial identificar métodos apropiados capaces de extraer información pertinente que pueda mejorar significativamente el rendimiento de clasificación. Entre estos métodos se encuentran aquellos que traducen las series temporales a diferentes dominios. Este estudio investiga tres enfoques distintos de transformación de series temporales para abordar los desafíos de clasificación de series temporales en datos biomédicos. El primer método implica una transformación de vector de respuesta, mientras que los otros dos emplean técnicas de transformación de imagen: RandOm Convolutional KErnel Transform (ROCKET), Gramian Angular Fields y Markov Transition Fields. Estos métodos de transformación se aplicaron a cinco conjuntos de datos biomédicos, explorando diversas configuraciones de formato para determinar la técnica y configuración de representación óptima para la entrada, lo que a su vez mejora el rendimiento de clasificación. Se realizaron evaluaciones sobre la efectividad de estos métodos en conjunción con dos algoritmos de clasificación. Los resultados subrayan la importancia de estas técnicas de transformación de series temporales como facilitadoras para mejorar los algoritmos de clasificación documentados en la literatura actual.
Keywords : clasificación; datos biomédicos; redes neuronales convolucionales; series temporales; transformaciones.