Uyarlanabilir Gauss görüntü temsili ile birleşik bir zaman serisi sınıflandırma çerçevesi

Karmaşık Zaman Sinyallerini Resimlere Dönüştürmek

Kalp atışları ve beyin dalgalarından hisse senedi fiyatları ve trafik akışlarına kadar dijital dünyamızın büyük bir kısmı zaman serisi olarak kaydedilir: zaman içinde değişen sayılar. Ancak bu düğümlü akışlar, özellikle aynı anda birçok sensörden geldiğinde veya uzunlukları değiştiğinde bilgisayarların güvenilir şekilde sınıflandırması zordur. Bu makale, böyle dağınık sinyalleri modern görsel modellerin anlayabileceği görüntülere dönüştürmenin bir yolunu tanıtıyor; bu da sağlık, finans ve günlük cihazların izlenmesi için güvenilir sistemler kurmayı kolaylaştırıyor.

Zaman Serilerinin Neden Sınıflandırması Zor

Gerçek dünyadaki zaman serileri nadiren düzgün davranır. Farklı sensörler farklı hızlarda kayıt yapabilir, beklenmedik şekilde durup başlayabilir veya gürültülü ölçümler üretebilir. Bazı uygulamalar bir tek sinyali (ör. kalp atışı) izlerken, diğerleri hareket, kas aktivitesi ve beyin dalgaları gibi onlarca kanalı bir araya getirir. Geleneksel yöntemler ya özellikleri el ile oluşturur ya da ham zaman dizileri üzerinde doğrudan çalışan derin öğrenme modelleri kullanır. Bu yaklaşımlar işe yarayabilir, ancak genellikle birçok veri kümesi arasında genelleme yapmakta zorlanır ve her yeni problem için dikkatli ayar gerektirir.

Tek Boyutlu Dalgalardan İki Boyutlu Görüntülere

Yazarlar, sınıflandırmadan önce zaman serilerini görüntülere dönüştüren TS2Vision adlı bir çerçeve öneriyor. Önce her kanal standardize edilir ve daha kısa ve daha uzun dizilerin ortak bir uzunluğu paylaşması için düzgün şekilde yeniden boyutlandırılır. Ardından Adaptive Time Series Gaussian Mapping adlı uyarlanabilir bir eşleme, zamandaki her anı görüntü içindeki küçük bir kare yamaya dönüştürür. O yamada her sensör kanalına bir dairesel bölge atanır. Sinyalin o anki değeri ile kontrol edilen çan biçimli bir desen her daire içinde çizilir. Bu işlem, yerel iniş çıkışları hem düzgün hem de gürültüye karşı dayanıklı bir şekilde yakalar.

Birden Fazla Sinyali Tek Bir Görünüme Sığdırmak

Ana zorluk, sınırlı alanı her yamada verimli kullanırken tüm bu dairesel bölgelerin çakışmamasını sağlamaktır. Yazarlar bunu eşit çemberleri bir kare içine sıkıca sığdırma bulmacası olarak ele alır: eşit çemberleri bir kareye nasıl en iyi yerleştirebilirsiniz? Her kanal sayısı için geometrik araştırmalardan doğrulanmış düzenlere dayanırlar. Bu düzenler önceden sabitlenmiştir, bu nedenle model her kanalın nerede yer alacağını öğrenmek için çaba harcamaz. Zaman ilerledikçe yamalar sırayla dizilir ve her bir sinyalin nasıl değiştiğini ve kanalların birbirleriyle nasıl ilişkili olduğunu koruyan daha büyük bir görüntü oluştururlar.

Görsel Modellerin Zamanı Okumasına İzin Vermek

Zaman serisi bir görüntüye dönüştürüldükten sonra TS2Vision, onu görsel tanıma için tasarlanmış bir model türü olan Vision Transformer'a verir. Bu model görüntüyü daha küçük karolara böler ve dikkat mekanizmalarını kullanarak görüntünün uzak parçaları arasındaki desenleri birbirine bağlar; burada bunlar uzak zaman adımlarına karşılık gelir. Yazarlar, eşlemelerinin kararlı olduğunu matematiksel olarak gösterir: giriş sinyallerindeki küçük değişiklikler görüntüde yalnızca sınırlı değişikliklere yol açar; bu da sınıflandırıcının veri gürültülü veya sensörler titrediğinde bile sağlam kalmasına yardımcı olur.

Çok Sayıda Gerçek Dünya Veri Kümesi Üzerinde Test

TS2Vision'un pratikte ne kadar iyi çalıştığını görmek için araştırmacılar, iki büyük arşivden toplanmış 158 kıyas veri kümesi üzerinde test ettiler. Bunlar cihaz okumaları, hareket yakalama, tıbbi kayıtlar, görüntülerden dönüştürülmüş zaman serileri ve daha fazlasını içeren geniş bir alan karışımını kapsar. Tek kanallı ve çok kanallı görevlerin her ikisinde de TS2Vision, modern derin öğrenme yöntemleri arasında en iyi ortalama sıralamayı elde etti ve önde gelen derin olmayan tekniklerle karşılaştırılabilir doğruluk gösterirken eğitim sürelerini makul tuttu. Yapay gürültü eklendiğinde de güçlü dayanıklılık gösterdi; rakip modellere kıyasla performansı daha yavaş bozuldu.

Günlük Sistemler İçin Anlamı

Basitçe söylemek gerekirse, TS2Vision zaman serilerini dikkatle tasarlanmış resimler olarak ele almanın zamansal veriler için bilgisayarlı görünün gücünü açığa çıkarabileceğini gösteriyor. Sinyalleri görüntü olarak çizmenin kararlı, uyarlanabilir bir yolunu güçlü bir görsel modelle birleştirerek, çerçeve birçok sensör türü ve dizi uzunluğu arasında çalışan birleşik bir yöntem sunuyor. İzleme ve karar sistemleri kuranlar için bu, değişken ve gürültülü verilerle başa çıkabilecek ve pratik kullanım için yeterince verimli kalan daha genel bir araç anlamına geliyor.

Atıf: Ren, X., Li, D., Gao, X. et al. A unified time series classification framework via adaptive Gaussian image representation. Sci Rep 16, 14817 (2026). https://doi.org/10.1038/s41598-026-44760-6

Anahtar kelimeler: zaman serisi sınıflandırması, görüntü temsili, vision transformer, çok değişkenli sensörler, sağlam kodlama