CN111433766A

CN111433766A - 用于对时间序列数据进行分类的方法和系统

Info

Publication number: CN111433766A
Application number: CN201880077431.4A
Authority: CN
Inventors: 沈逸麟; 邓岳; 金红霞
Original assignee: Samsung Electronics Co Ltd
Current assignee: Samsung Electronics Co Ltd
Priority date: 2017-12-29
Filing date: 2018-12-28
Publication date: 2020-07-17
Also published as: US11720814B2; US20190205786A1; WO2019132564A1; EP3698259A4; EP3698259A1; KR20200094732A

Abstract

一种识别方法，包括检索包括第一窗口大小的数据在内的输入。该方法还包括基于输入的变形距离与修剪阈值的比较来对输入进行分类。

Description

用于对时间序列数据进行分类的方法和系统

技术领域

一个或多个实施例通常涉及时间序列数据分类，更具体地，涉及对具有不同速度的时间序列数据的实时分类。

背景技术

时间序列数据在各种现代设备中无处不在。许多移动设备(例如智能手机、虚拟现实耳机、智能手表、可穿戴设备等)都配备了运动传感器，例如，加速度传感器、陀螺仪传感器、地磁传感器等。这些传感器通常指示用户在每个时间点的运动和行为。诸如洗衣机、干衣机等数字设备也生成许多时间序列数据，例如时间序列数据运动传感器、能耗等。该数据会随着时间监测设备状态。现有设备(例如，智能手机和智能手表上的心率(HR)传感器)和潜在的未来设备(心电图(ECG)传感器、皮肤电反应(GSR)传感器等)中包括各种与健康相关的传感器。这些传感器的流数据可用于指示用户的健康或活动状态。未来的虚拟现实(VR)设备可以直接配备脑电图(EEG)传感器，以实现用户与设备之间的脑机交互。

发明内容

技术问题

本公开的一方面在于提供用于对时间序列数据进行分类的方法和装置。

问题的解决方案

在实施例中，识别方法包括检索包括第一窗口大小的数据在内的输入。该方法还包括基于输入的变形距离与修剪阈值的比较来对输入进行分类。

在一些实施例中，电子设备包括存储指令的存储器。至少一个处理器执行包括过程的指令，该至少一个处理器被配置为：检索包括第一窗口大小的数据在内的输入；以及基于输入的变形距离与修剪阈值的比较对输入进行分类。

在一个或多个实施例中，一种非暂时性处理器可读介质，其包括程序，该程序在由处理器执行时执行方法，该方法包括：检索包括第一窗口大小的数据在内的输入。该方法还包括基于输入的变形距离与修剪阈值的比较来对输入进行分类。

通过结合附图以示例的方式示出了一个或多个实施例的原理的以下详细描述，该一个或多个实施例的这些和其他方面以及优点将变得显而易见。

本发明的有益效果

根据本公开的各种实施例，可以实现用于快速数据修剪的有效下界计算。

根据本公开的各种实施例，可以大幅度减少昂贵的变形距离计算的数量。

附图说明

为了更全面地理解实施例的性质和优点以及优选的使用方式，应参考结合附图阅读的以下详细描述，在附图中：

图1示出了根据一些实施例的通信系统的示意图；

图2示出了根据一些实施例的包括电子设备和云或服务器环境在内的系统的架构的框图，该系统能够单独或组合地执行基于时间序列数据分类的数据处理；

图3示出了根据一些实施例的用于时间序列数据的实时数据分类的系统的流程图；

图4示出了根据一些实施例的用于数据分类模型训练和修剪阈值学习的框图；

图5示出了根据一些实施例的用于使用训练实例和查询实例的基于包络的下界确定的示例曲线图；

图6示出了根据一些实施例的用于时间序列数据分类的训练阶段的运行示例；

图7示出了根据一些实施例的用于时间序列数据的实时数据分类(测试)阶段的运行示例；

图8示出了根据一些实施例的用于时间序列数据分类的过程的框图；以及

图9是示出了包括实现一个或多个实施例的计算系统的信息处理系统的高级框图。

具体实施方式

出于说明一个或多个实施例的一般原理的目的而进行以下描述，但并不意味着限制本文要求保护的发明构思。此外，可以以各种可能的组合和排列中的每个组合和排列将本文描述的特定特征与其他描述的特征组合使用。除非本文另外明确定义，否则将给予所有术语其最宽泛的可能解释，包括说明书中暗示的含义以及本领域技术人员理解和/或字典、论文等中定义的含义。

应当注意的是，术语“至少一个”是指所列元素中的一个或多个。例如，“a、b、c中的至少一个或其组合”可以分别解释为“a”、“b”或“c”；或“a”和“b”组合在一起，或“b”和“c”组合在一起；“a”和“c”组合在一起；或“a”、“b”和“c”组合在一起。

一个或多个实施例提供对以不同速度发生的时间序列数据进行的实时分类。一些实施例包括方法，该方法包括检索包括第一窗口大小的数据在内的输入。该方法还包括基于输入的变形距离与修剪阈值的比较来对输入进行分类。

对时间序列数据的分析已成为在电子设备(例如，智能手机、智能设备、可穿戴设备等)上启用智能服务的商业驱动力。运动传感器的分析有助于识别用户的动作或行为，从而使设备可以启用与用户的交互或向用户提供个人帮助。例如，当设备识别出用户在握住虚拟现实(VR)控制器的情况下执行手势时，电子设备可以相应地控制VR系统。根据健康传感器，电子设备可以提供随着时间对用户健康状态的连续监测，例如心脏病患者的心脏状态。这种连续和实时的监测不仅可以使用户受益，而且可以显著减少医生的工作量。EEG信号的分析可以帮助电子设备直接理解来自用户的大脑命令，该大脑命令可以用于直接控制电子设备。

然而，时间序列数据以不同的速度生成。即使对于一个动作，用户通常以或多或少的不同速度移动，这导致来自例如运动传感器的时间序列数据的长度不同。此外，每个类/动作的两个实例在整个时间序列数据的某些部分可能具有不同的速度，称为“变形”。例如，当用户在VR游戏中执行射击手势时，举手的子动作和射击的另一子动作可以具有不同的速度。同样，这样的速度差异也存在于生物传感器(例如EEG、ECG等)中。

大多数时间序列数据还可以是多维数据。每个运动传感器通常由不同的轴构成，并且可以将不同运动传感器的融合一起用于检测用户的每个动作。因此，维度数量可以达到10个以上。健康传感器和EEG传感器两者通常使用多个电极被收集，其中每个电极收集一个数据通道。例如，EEG信号可由超过256个通道组成。在一些实施例中，下面描述了不会根据这种速度差异而改变的鲁棒分类过程。结果，可以对关于每个动作/类别的时间序列数据的不同实例(即使它们的速度非常不同)进行正确分类。

在一些实施例中，实时过程对时间序列数据进行分类，以启用用户的个人设备上的智能，例如VR或智能电视上的手势控制、基于EEG的大脑控制、健康监测等。用于对时间序列数据进行分类的实时过程旨在分析具有不同速度的实时时间序列流数据。在训练阶段期间，实时过程通过用户指定的类别(例如，预定义手势)获取带标签的时间序列训练集，以训练对每个训练样本的不同速度都鲁棒的模型。训练阶段还推导出修剪阈值。在测试/分类阶段期间，实时过程为快速数据修剪设计了有效的下届计算，从而提供了实时分类结果。使用实时过程，可以大大减少昂贵的变形距离计算的数量。实时过程被设计为通用框架，其可以对各种类型的时间序列数据和各种速度差异进行实时分类。

在一些实施例中，系统(例如，图2的系统100)被设计为通过将修剪方案应用到实时流数据上来实时处理大量时间序列数据。该系统包括低计算修剪方案和分类模型，用于支持电子设备(例如，图2的电子设备120)的低功耗。该系统被设计用于处理多维时间序列数据，并实现了用于时间序列分类处理的高精度。

图1是根据实施例的通信系统10的示意图。通信系统10可以包括发起传出通信操作的通信设备(发送设备12)和通信网络110，发送设备12可以使用通信网络110来发起和进行与通信网络110内的其他通信设备的通信操作。例如，通信系统10可以包括从发送设备12接收通信操作的通信设备(接收设备11)。尽管通信系统10可以包括多个发送设备12和接收设备11，但是在图1中仅示出了各自一个以简化附图。在实施例中，通信系统10可以部分地形成具有不同速度框架的时间序列的训练和实时分类。

可操作为创建通信网络的任何合适的电路、设备、系统或这些的组合(例如，包括通信塔和电信服务器的无线通信基础设施)可以用于创建通信网络110。通信网络110可以能够使用任何合适的通信协议来提供通信。在一些实施例中，通信网络110可以支持例如传统电话线、有线电视、Wi-Fi(例如，IEEE 802.11协议)、

高频系统(例如900MHz、2.4GHz和5.6GHz通信系统)、红外、其他相对本地化的无线通信协议或其任意组合。在一些实施例中，通信网络110可以支持由无线和蜂窝电话以及个人电子邮件设备(例如，

)使用的协议。这样的协议可以包括例如GSM、GSM加EDGE、CDMA、四频和其他蜂窝协议。在另一示例中，远程通信协议可以包括Wi-Fi和用于使用VOIP、LAN、WAN或其他基于TCP-IP的通信协议发出或接收呼叫的协议。当位于通信网络110内时，发送设备12和接收设备11可以在诸如路径13的双向通信路径上或者在两个单向通信路径上进行通信。发送设备12和接收设备11都可以能够发起通信操作并接收所发起的通信操作。

发送设备12和接收设备11可以包括用于发送和接收通信操作的任何合适的设备。例如，发送设备12和接收设备11可以包括但不限于移动电话设备、电视(TV)系统、智能TV系统、相机、便携式摄像机、具有音频视频功能的设备、平板电脑、可穿戴设备、智能设备、智能相框和任何其他能够进行无线通信(借助或不借助支持无线的附件系统)或通过有线路径(例如，使用传统电话线)进行通信的设备。通信操作可以包括任何合适的通信形式，包括例如语音通信(例如电话呼叫)、数据通信(例如数据和控制消息、电子邮件、文本消息、媒体消息)、视频通信或这些的组合(例如，视频会议)。

图2示出了根据一些实施例的包括电子设备120和云或服务器140环境在内的系统100的架构的框图，该系统能够单独或组合地执行基于时间序列数据分类的数据处理。在一些实施例中，系统100能够使用以下设备对具有不同速度的时间序列执行训练和实时分类：电子设备120(例如，移动电话设备、TV系统、相机、便携式摄像机、具有音频视频功能的设备、平板电脑、平板设备、可穿戴设备、智能设备、智能相框、智能照明等)、包括训练处理130(例如，包括图3的训练阶段处理310)的云或服务器140、或电子设备120和云计算(例如，可配置计算系统资源和更高级别的服务的共享池等)或服务器(例如，管理网络资源的计算机、设备或程序等)140的组合。发送设备12(图1)和接收设备11都可以包括电子设备120的一些或全部特征。在一些实施例中，电子设备120可以包括显示器121、麦克风122、音频输出123、输入机构124、通信电路125、控制电路126、相机128、处理和存储器129、实时分类处理131(例如，图3的实时分类阶段处理320)、传感器132(例如，全球定位系统(GPS)传感器、加速度传感器、陀螺仪传感器、地磁传感器，心率(HR)传感器、心电图(ECG)传感器、皮肤电反应(GSR)传感器、脑电图(EEG)传感器等)，并且可以包括但不限于用于以下所述示例的任何处理以及任何其他合适的组件。提供了应用1-N 127，并且该应用可以从云或服务器140、通信网络110(图1)等获得，其中N是等于或大于1的正整数。

在一些实施例中，音频输出123、显示器121、输入机构124、通信电路125和麦克风122所采用的所有应用可以由控制电路126互连和管理。在一个示例中，可以将能够将音乐发送到其他调谐设备的手持音乐播放器合并到电子设备120中。

在一些实施例中，音频输出123可以包括用于向电子设备120的用户提供音频的任何合适的音频组件。例如，音频输出123可以包括设置在电子设备120中的一个或多个扬声器(例如，单声道或立体声扬声器)。在一些实施例中，音频输出123可以包括远程耦合到电子设备120的音频组件。例如，音频输出123可以包括耳机、头戴式受话器或耳塞，其可以通过线缆耦合到通信设备(例如，通过插孔耦合到电子设备120)或无线地(例如，

头戴式受话器或

耳机)耦合到通信设备。

在一些实施例中，显示器121可以包括用于提供用户可见的显示器的任何合适的屏幕或投影系统。例如，显示器121可以包括合并在电子设备120中的屏幕(例如，LCD屏幕、LED屏幕、OLED屏幕等)。作为另一示例，显示器121可以包括可移动显示器或投影系统，用于在远离电子设备120(例如，视频投影仪)的表面上提供内容的显示。显示器121可用于在控制电路126的指导下显示内容(例如，关于通信操作的信息或关于可用媒体选择的信息)。

在一些实施例中，输入机构124可以是用于向电子设备120提供用户输入或指令的任何合适的机构或用户接口。输入机构124可以采取多种形式，例如按钮、键区、拨盘、点击轮、鼠标、视觉指示器、遥控器、一个或多个传感器(例如，相机或视觉传感器、光传感器、接近传感器等)或触摸屏。输入机构124可以包括多点触摸屏、手势控制、语音识别等。

在一些实施例中，通信电路125可以是用于连接到通信网络(例如，通信网络110，图1)并将通信操作和媒体从电子设备120发送到通信网络内的其他设备的任何合适的通信电路。通信电路125可以用于与使用任何合适的通信协议(例如，Wi-Fi(例如，IEEE 802.11协议)、

高频系统(例如，900MHz、2.4GHz和5.6GHz通信系统)、红外、GSM、GSM加EDGE、CDMA、四频和其他蜂窝协议、VOIP、TCP-IP或任何其他合适的协议)的通信网络进行接口交互。

在一些实施例中，通信电路125可以用于使用任何合适的通信协议来创建通信网络。例如，通信电路125可以使用短距离通信协议来创建短距离通信网络以连接到其他通信设备。例如，通信电路125可以用于使用

协议创建本地通信网络，以将电子设备120与

耳机耦合。

在一些实施例中，控制电路126可以用于控制电子设备120的操作和性能。控制电路126可以包括例如处理器、总线(例如，用于向电子设备120的其他组件发送指令)、存储器、存储装置或用于控制电子设备120的操作的任何其他合适的组件。在一些实施例中，一个或多个处理器(例如，在处理和存储器129中)可以驱动显示器并处理从用户接口接收的输入。存储器和存储装置可以包括例如高速缓存、闪存、ROM和/或RAM/DRAM。在一些实施例中，存储器可以专门用于存储固件(例如，用于诸如操作系统、用户接口功能和处理器功能的设备应用)。在一些实施例中，存储器可以用于存储与和电子设备120执行通信操作的其他设备有关的信息(例如，保存与通信操作有关的联系人信息或存储与用户选择的不同媒体类型和媒体项目有关的信息)。

在一些实施例中，控制电路126可以用于执行在电子设备120上实现的一个或多个应用的操作。可以实现任何合适数量或类型的应用。尽管下面的讨论将列举了不同的应用，但是应当理解，一些或所有应用可以组合成一个或多个应用。例如，电子设备120可以包括应用1-N127，其包括但不限于：健康跟踪应用(例如，身体健康、心脏监测、脑功能监测、体重管理等)、自动语音识别(ASR)应用、光学字符识别(OCR)应用、对话应用、地图应用、媒体应用(例如，QuickTime、MobileMusic.app或MobileVideo.app)、社交网络应用(例如，

等)、日历应用(例如，用于管理事件、约会等的日历)、互联网浏览应用、推荐应用等。在一些实施例中，电子设备120可以包括可用于执行通信操作的一个或多个应用。例如，电子设备120可以包括消息应用、电子邮件应用、语音邮件应用、即时消息应用(例如，用于聊天)、视频会议应用、传真应用或用于执行任何合适的通信操作的任何其他合适的应用。

根据一些实施例，电子设备120可以包括麦克风122。例如，电子设备120可以包括麦克风122，以允许用户在通信操作期间、或者作为建立通信操作的装置、或者作为使用物理用户接口的替代装置，发送用于对应用1-N 127的语音控制和导航的音频(例如，语音音频)。麦克风122可以合并在电子设备120中，或者可以远程耦合到电子设备120。例如，麦克风122可以合并在有线耳机中，麦克风122可以合并在无线耳机中，麦克风122可以合并在遥控设备中，等等。

在一些实施例中，相机模块128包括一个或多个相机设备，该相机设备包括用于捕获静止和视频图像的功能、编辑功能、用于发送、共享照片/视频等的通信互操作性等。

在一些实施例中，电子设备120可以包括适合于执行通信操作的任何其他组件。例如，电子设备120可以包括用于耦合到主机设备的电源、端口或接口、辅助输入机构(例如，ON/OFF开关)或任何其他合适的组件。

图3示出了根据一些实施例的用于时间序列数据的实时数据分类的流程图300。在一些实施例中，流程图300包括训练阶段310和实时分类(或测试)阶段320。在一些实施例中，训练阶段310处理是在系统(例如，图2的系统100)的云/服务器140(图2)上执行的，并且实时分类阶段320处理是在电子设备120(例如，图2的实时分类处理131)上执行的。系统中采用的流程图300能够进行实时、准确的时间序列处理和分类；然后基于经识别的类别进一步自动化相应的智能特征。在一些实施例中，训练阶段310使用用于收集具有不同长度的时间序列数据及其标签的用户接口311、用于经由变形距离来生成特征向量的特征向量生成处理312、由特征向量生成处理312生成的输出修剪阈值313、分类模型314和带标签的时间序列数据的字典315。在一些实施例中，实时分类阶段310使用包括时间序列数据的每个实例在内的时间序列数据输入321、用于修剪的时间序列数据下界计算322、用于确定下界是否大于修剪阈值的确定处理323(如果大于，则输出324提供时间序列数据不属于任何类)、基于经训练的分类模型314的时间序列分类处理325以及类别标签输出326。

在一些实施例中，用户可以与用户接口311交互以指定用户想要收集哪些时间序列的类别。在使用手势控制的一个示例中，用户可以定义其个性化手势并执行每个手势几次，以收集存储在字典315中的带标签的数据。带标签的数据与可识别模式相关联。在一些实施例中，可以通过语音输入(例如，被转换为文本等)、文本输入(例如，手动输入、通过抓取文本获得、OCR等)等来收集带标签的数据。在训练阶段310中，所收集的带标签的数据用于确定修剪阈值313并训练用于可识别模式的分类模型314(首先确定修剪阈值313；然后训练模型314)。在实时分类阶段320期间使用修剪阈值313。

在一些实施例中，在实时分类阶段320期间，考虑时间序列数据的每个实例。目标是识别当前实例的类别标签，或者(在输出324中)返回该实例不属于任何类别。由于连续获得大量数据流，因此有效的下届处理被设计用于快速数据修剪设计以确定当前实例是否属于任何已定义的类别。如果是这样，则使用经训练的分类模型314来确定该实例的实际类别标签326。

在一些实施例中，系统感兴趣的时间序列数据模式的数量是有限的。此外，实际上大多数实时数据不属于任何模式。因此，在一些实施例中，下届将在很大程度上有利于大量实时数据的快速修剪。大部分非模式数据(不属于任何可识别模式)可以在实时分类阶段320中被快速处理。

在一些实施例中，由于下界滤除了大多数非模式时间序列数据，因此可以通过添加更多的自适应和个性化模式来提供更精细的实时控制，因为分类模型314对数量少得多的时间序列数据进行适配是更实际可行的。例如，在手势控制的用例中，开始时有四个手势类别(左、右、上、下)。在部署分类模型314之后，每个用户可以在每个类别下添加更细粒度的个性化手势，例如左一个手指、左两个手指等。

图4示出了根据一些实施例的用于数据分类模型训练和修剪阈值学习的框图。在一些实施例中，分类模型314的训练包括以下内容。在框410中，通过使用动态时间变形(DTW)计算所有带标签的时间序列数据的实例的成对距离来对该实例进行预处理，以考虑每个带标签的时间序列实例的不同速度。框410的处理导致将用于每个带标签的时间序列实例的基于DTW距离的特征向量的构建输出到框420。在框430中，结果，使用所有带标签的时间序列实例的经构建/推导的特征向量来训练基线分类器(例如，分类模型314)。在框440中，进行二分搜索以识别修剪阈值313，以保持分类处理的精度。

在一些实施例中，对于用于识别修剪阈值的二分搜索的每次迭代t，处理包括以下步骤。使用当前阈值θ_t-1修剪第一次迭代之前的特征向量，其中初始阈值θ_t＝0＝(特征向量中的最大值/2)。注意θ_t＝0＝特征向量中的最大值并且θ_t-1＝(特征向量中的最大值)/2。在第二轮迭代中，基于以下条件1)确定θ_t＝2。将经修剪的特征向量划分为训练经修剪的特征向量(用于训练分类模型314)和测试经修剪的特征向量(用于经训练的分类模型314)。训练经修剪的特征向量被用于训练分类模型314。然后使用测试经修剪的特征向量来测试经训练的分类模型314，以获得精度A_t。使用测试经修剪的特征向量来测试基线分类模型314，以获得精度

然后执行以下处理以确定修剪阈值：

1)如果

θ_t＝θ_t-1/2，否则θ_t＝(θ_t-1+θ_t-2)/2

2)如果

并且

则终止迭代。

当选择更大的γ时，一个或多个实施例更准确。另一方面，当选择较小的γ时，一个或多个实施例将执行得更快。因此，γ的选择权衡了运行时间和性能。注意，修剪阈值313是基于训练数据、时间序列数据的带标签的实例来学习的。当训练数据改变时，修剪阈值313可以显著改变。

图5示出了根据一些实施例的用于使用训练实例和查询实例的基于包络的下界确定540的示例曲线图。曲线图510是训练时间序列实例，并且曲线图515是查询时间序列实例。在一些实施例中，对于时间序列数据修剪，该处理的一个目标是确定高效计算的下界以修剪不相关的时间序列实例(即，不属于任何类别的那些实例)。如果从字典315(图3)中的每个带标签的时间序列实例到时间序列实例的DTW距离大于修剪阈值313，则对时间序列实例进行修剪(在图3中被标记为不属于类别以作为输出324)。关于对字典315中每个带标签的时间序列实例(称为字典315实例)的比较，下界处理执行以下操作。训练实例510的生成包络处理520产生包络530。在一个实施例中，计算处理540使用LB_keogh下界来计算查询实例515与字典315实例(其中字典实例315是训练数据)的前缀(查询实例515与字典实例315之间的最大速度差异)之间的下界。对于字典315时间序列实例中的以下每个采样点，通过添加此采样点与查询实例515中的对应包络之间的最小距离来增加下界。如果该下界大于修剪阈值313，则返回无穷大(或大数)。否则，计算两个字典315时间序列实例之间的实际DTW并返回实际DTW。如果时间序列实例的所有DTW距离均为无穷大(或大数)，则将此时间实例标记为非类别时间序列实例(如果所有DTW大于修剪阈值，则查询属于非类别；否则，分类器将用于下一次迭代)。

在一些实施例中，对于下界计算处理540，给定训练实例q＝(q₁，...，q_m)，其包络定义如下：

其中，r是q和固定长度n的查询实例c之间的DTW约束参数；l是缩放参数(表示实时查询时间序列实例c可以达到的最大长度lm)，m是训练实例的长度，q_j是q中第j个元素的索引。然后，训练q和查询c之间的下界计算如下：

其中n是查询c的长度。下界计算处理540可以总结如下。构建训练时间序列实例q的包络；计算用于c和q的最短前缀的下界；以及逐步计算下界，直到达到时间序列实例c的最大长度lm为止。

图6示出了根据一些实施例的用于时间序列数据分类的训练阶段的运行示例600。在示例600中，带标签的时间序列数据的样本包括类别601、类别602和类别603。训练处理包括通过使用来自时间序列数据修剪处理的混合DTW距离来生成当前时间序列实例的特征向量610；以及在训练阶段320中使用特征向量和经训练的分类模型314来推断类别标签。在每个生成的特征向量d_i中，第j元素是训练时间序列样本d_i与d_j之间的DTW距离。基于经训练的分类模型314的精度，修剪阈值616被计算为0.1(在该示例600中)以用于加速测试。新的特征向量618是根据时间序列数据修剪处理而产生的，其中N是某个大数。

图7示出了根据一些实施例的用于时间序列数据类别602的实时数据分类(测试)阶段的运行示例700。当前数据的测试基于经训练的分类模型314(图3和图4)以及上文得出的DTW距离(下届距离和实际DTW距离的混合)。为了测试时间序列数据类别602，处理生成具有带标签的数据的特征向量的下届710(在示例700中为(0.55，0，0.02))。然后，修剪特征向量处理720使用经训练的阈值0.1修剪该下界特征向量，其生成了新的经修剪的特征向量下界(N，0，0.02)(其中，N是某个大数)。对于在经修剪的特征向量下届中未修剪的元素(不等于N)中的每个元素，处理还计算其实际DTW距离并生成最终的新的特征向量730。如果经修剪的特征向量中的所有元素均为N，则此新的时间序列数据不属于任何类别。否则，将新的特征向量730与分类模型314一起使用，以执行对带标签的时间序列数据类别602的分类。

在一些实施例中，使用采用类似于流程图300(图3)的处理的系统100(图2)对一段时期(例如两年)内的时间序列数据的分类可以从使用具有DTW的常规分类系统的10.08小时的计算量减少到使用系统100的2.5小时的计算量(同时保持相同的精度，例如0.96)。例如，在20个小时内收集到的ECG时间序列数据集，具有DTW的常规分类系统大约需要83.24小时(精度为0.91)，而系统300大约需要3.03小时(精度为0.90)。现有方法无法实现实时监测。

在一些实施例中，采用流程图300(图3)处理的系统100(图2)可以被采用以用于使用运动传感器的虚拟现实(VR)或智能TV的手势控制：系统100可以用于允许用户使用他们的手势来与各种设备交互。当用户以不同的速度执行相同的手势(整体或部分手势)时，系统100可以识别该手势的标签并提供相应的动作。

在一个或多个实施例中，采用流程图300(图3)处理的系统100(图2)可以被采用以用于使用EEG的脑计算机接口：当用户具有一些大脑活动时，所生成的信号通常会受到不同速度的影响。系统100可以用于时间序列数据中的这种速度差异，并推导出每个实例的实际类别。

在一些实施例中，采用流程图300(图3)处理的系统100(图2)被用于健康监测：系统100可用于(例如，通过心脏病患者或正常用户在不同活动期间的ECG信号)监测用户的健康。推导出的结果将反映出用户是否具有好的健康状态或用户是否遇到一些需要立即治疗的异常情况。系统100有助于减少医生的劳动并提供实时警报。例如，在心脏病监测中，与相同疾病(例如，心室过早收缩)相对应的ECG数据的模式(形状)相同，而与用户的状态(例如，跑步或坐着)无关。然而，时间序列数据的速度会根据用户的状态而有所不同(例如，跑步时快些；坐着时慢些)。系统100可以将不同速度的时间序列实时地分类到相同的类别中。当用户具有不同状态时，能够对疾病进行实时分类/监测。

在一个或多个实施例中，采用流程图300(图3)处理的系统100(图2)可以被用于数字设备服务：系统100可以应用于许多应用，例如：自动配置：例如，当用户使用具有较高负载的洗衣机时，系统100可以基于洗衣机的振动自动检测，并将负载配置调整为“重”；自动故障排除：例如，系统100可以用于基于噪声模式来检测洗衣机的故障。当洗衣机剧烈晃动时，系统100可用于在不同情况下(例如，不同的负载、不同的位置等)使用噪声模式来识别问题。因此，不需要指派技术人员到现场，从而大大降低了成本。能耗优化：例如，当用户打开洗衣机时，系统100可用于自动识别启动洗衣机的最佳时机，从而消耗最少的能量。结果，由于节省了能量，用户可以省钱。

图8示出了根据一些实施例的用于时间序列数据分类处理的过程800的框图。在一些实施例中，过程800的框810提供(例如，通过使用电子设备(例如，图2的电子设备120)的传感器获得感测的信息)检索包括第一窗口大小的数据(例如，时间序列数据)在内的输入。在框820中，过程800基于输入的变形距离与修剪阈值(例如，图3和图4的修剪阈值313)的比较，对输入(例如，可识别的带标签的时间序列数据的实例或无法识别的时间序列数据)进行分类。在方框830中，过程800基于经训练的模型(例如，图3至图4的经训练的模型314)将可识别输入分类为已知输入类型(例如，已知类别)。在一些实施例中，已知输入类型包括第二窗口大小的一序列数据，并且第一窗口大小不同于第二窗口大小。

在一些实施例中，过程800包括基于来自用户的一个或多个可识别输入(例如，手势、生物信号(例如，EEG、ECG、心率等))被训练的经训练的模型，并且每个可识别输入包括包含各种窗口大小(例如，一分钟、一小时、一天、一个月、一年等)的数据在内的多个实例。该输入包括由一个或多个电子设备(例如，图2的电子设备120)的多个传感器(例如，图2的传感器132)捕获的多维数据(例如，时间序列数据)。

在一些实施例中，在过程800中，经训练的模型针对一个或多个可识别输入中的每个可识别输入相对于其他可识别输入，对经计算的变形距离进行分类。可识别输入是时间序列数据的实例。对可识别输入进行分类包括为时间序列数据实例应用标签(例如，类别标签)。确定输入包括可识别输入包括：通过使用变形距离确定所有带标签的时间序列数据的实例的成对距离来对该实例进行预处理(例如，在图3的训练阶段310，图4的处理)，以考虑每个带标签的时间序列实例的不同速度。

在一些实施例中，在过程800中，基于训练数据来学习修剪阈值。输入数据包括以不同速度发生的基于监测生物信号(例如EEG、ECG、心率、手势等)的时间序列数据，该监测生物信号通过传感器在各种窗口大小上感测。输入数据可以包括以不同速度发生的基于监测设备信号(例如声音信号、振动信号等)的时间序列数据，该监测设备信号通过传感器在各种窗口大小上感测。

图9是示出了包括实现一个或多个实施例的计算系统的信息处理系统的示例性高级框图。系统900包括一个或多个处理器911(例如，ASIC、CPU等)，并且还包括电子显示设备912(用于显示图形、文本和其他数据)、主存储器913(例如，随机存取存储器(RAM)、缓存设备等)、存储设备914(例如，硬盘驱动器)、可移动存储设备915(例如，可移动存储驱动器、可移动存储器、磁带驱动器、光盘驱动器、其中存储有计算机软件和/或数据的计算机可读介质)、用户接口设备916(例如，键盘、触摸屏、键区、指点设备)和通信接口917(例如，调制解调器、无线收发器(例如Wi-Fi、蜂窝网络)、网络接口(例如，以太网卡)、通信端口或PCMCIA插槽和卡)。

通信接口917允许软件和数据通过互联网950、移动电子设备951、服务器952、网络953等在计算机系统和外部设备之间传送。系统900还包括通信基础架构918(例如，通信总线、交叉杆或网络)，上述设备911至917连接到该通信基础架构918。

经由通信接口917传送的信息可以具有信号的形式，例如电信号、电磁信号、光学信号或能够经由通信链路通过通信接口917来接收的其他信号，该通信链路承载信号并且可以使用电线或电缆、光纤、电话线路、蜂窝电话链路、射频(RF)链路和/或其他通信通道来实现。

在电子设备(例如，电子设备120，图2)中的一个或多个实施例的一种实现中，系统900还包括图像捕获设备920(例如相机128(图2))和音频捕获设备919(例如麦克风122(图2))。系统900还可包括应用处理或处理器，例如MMS 921、SMS 922、电子邮件923、社交网络接口(SNI)924、音频/视频(AV)播放器925、Web浏览器926、图像捕获927等。

在实施例中，系统900包括实时分类处理930，其可以实现与关于实时(不同速度的时间序列)分类处理131和/或训练阶段处理130(图2)所描述的处理类似的处理，以及如上所述的处理800(图8)。在实施例中，实时分类处理930和操作系统929一起可以被实现为驻留在系统900的存储器中的可执行代码。在另一实施例中，可以以硬件、固件等提供实时分类处理930。

在实施例中，主存储器913、存储设备914和可移动存储设备915各自单独地或以任何组合的形式，可以存储可以由一个或多个处理器911执行的上述实施例的指令。

如本领域技术人员所知，根据所述架构，以上描述的上述示例架构可以以多种方式实现，例如用于由处理器执行的程序指令，作为软件模块、微码，作为在计算机可读介质上的计算机程序产品，作为模拟/逻辑电路，作为专用集成电路，作为固件，作为消费电子设备、AV设备、无线/有线发射机、无线/有线接收机、网络、多媒体设备等。此外，所述架构的实施例可以采取完全硬件实施例、完全软件实施例或包含硬件和软件元件两者的实施例的形式。

已经参考根据一个或多个实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图来描述了一个或多个实施例。这些图示/图中的每个框或其组合可以通过计算机程序指令来实现。当被提供给处理器时，计算机程序指令产生机器，使得经由处理器执行的指令创建用于实现流程图和/或框图中指定的功能/操作的装置。流程图/框图中的每个框可以代表实现一个或多个实施例的硬件和/或软件模块或逻辑。在备选实现中，框中记录的功能可能以附图中记录的顺序之外的顺序发生、并发地发生等。

术语“计算机程序介质”、“计算机可用介质”、“计算机可读介质”和“计算机程序产品”通常用于指代诸如主存储器、辅助存储器、可移动存储驱动器、安装在硬盘驱动器中的硬盘之类的介质。这些计算机程序产品是用于向计算机系统提供软件的装置。计算机可读介质允许计算机系统从计算机可读介质读取数据、指令、消息或消息分组以及其他计算机可读信息。计算机可读介质例如可以包括非易失性存储器，例如软盘、ROM、闪存、盘驱动器存储器、CD-ROM和其他永久存储器。例如，在计算机系统之间传输诸如数据和计算机指令之类的信息是有用的。计算机程序指令可被存储在计算机可读介质中，计算机可读介质可以指导计算机、其他可编程数据处理装置或其他设备按照特定的方式作用，使得计算机可读介质中存储的指令产生制造物品，该制造物品包括实现流程图和/或一个或多个框图框中指定的功能/动作的指令。

表示本文的框图和/或流程图的计算机程序指令可以被加载到计算机、可编程数据处理装置或处理设备上，以使得在其上执行一系列操作以产生计算机实现的过程。计算机程序(即计算机控制逻辑)存储在主存储器和/或辅助存储器中。也可以经由通信接口接收计算机程序。这样的计算机程序在被执行时能够使计算机系统执行本文所讨论的实施例的特征。特别地，计算机程序在被执行时能够使处理器和/或多核处理器执行计算机系统的特征。这样的计算机程序代表计算机系统的控制器。计算机程序产品包括有形存储介质，该有形存储介质可被计算机系统读取，并存储用于由计算机系统执行以执行一个或多个实施例的方法的指令。

尽管已经参考实施例的某些版本描述了实施例；但其它版本是可能的。因此，所附权利要求的精神和范围不应限于对本文包含的优选版本的描述。

Claims

1.一种识别方法，包括：

检索包括第一窗口大小上的数据在内的输入；以及

基于所述输入的变形距离与修剪阈值的比较对所述输入进行分类。

2.根据权利要求1所述的识别方法，还包括：

基于经训练的模型将可识别输入分类为已知输入类型；

其中：

所述已知输入类型包括第二窗口大小上的数据；以及

所述第一窗口大小不同于所述第二窗口大小。

3.一种包括程序的非暂时性处理器可读介质，所述程序在由处理器执行时，执行包括以下操作的方法：

检索包括第一窗口大小的数据在内的输入；以及

4.根据权利要求3所述的非暂时性处理器可读介质，其中，所述方法还包括：

基于经训练的模型将可识别输入分类为已知输入类型，其中：

所述已知输入类型包括第二窗口大小的一序列数据；以及

所述第一窗口大小不同于所述第二窗口大小。

5.根据权利要求4所述的非暂时性处理器可读介质，其中：

对所述可识别输入进行分类包括：为时间序列数据的实例应用标签。

6.根据权利要求2所述的识别方法，或者根据权利要求4所述的非暂时性处理器可读介质，其中，对可识别输入进行分类包括：通过使用变形距离确定所有带标签的时间序列数据的实例的成对距离，来预处理所述所有带标签的时间序列数据的实例，以考虑每个带标签的时间序列实例的不同速度，并且基于训练数据学习所述修剪阈值。

7.一种电子设备，包括：

存储器，存储指令；以及

至少一个处理器，执行包括过程的所述指令，所述至少一个处理器被配置为：

检索包括第一窗口大小上的数据在内的输入；以及

8.根据权利要求7所述的电子设备，其中，所述至少一个处理器还被配置为：

基于经训练的模型将可识别输入分类为已知输入类型，所述已知输入类型包括第二窗口大小的一序列数据；以及

所述第一窗口大小不同于所述第二窗口大小。

9.根据权利要求8所述的电子设备，其中，所述至少一个处理器还被配置为：

通过使用变形距离确定所有带标签的时间序列数据的实例的成对距离，来预处理所述所有带标签的时间序列数据的实例，以考虑每个带标签的时间序列实例的不同速度；以及

基于训练数据学习所述修剪阈值。

10.根据权利要求2所述的识别方法，根据权利要求4所述的非暂时性处理器可读介质，或根据权利要求8所述的电子设备，其中：

基于来自用户的一个或多个可识别输入来训练所述经训练的模型；以及

每个可识别输入包括多个实例，所述多个实例包括各种窗口大小上的数据。

11.根据权利要求2所述的识别方法，根据权利要求4所述的非暂时性处理器可读介质，或者根据权利要求8所述的电子设备，其中，所述输入包括由一个或多个电子设备的多个传感器捕获的多维数据。

12.根据权利要求10所述的识别方法，根据权利要求10所述的非暂时性处理器可读介质，或根据权利要求10所述的电子设备，其中，所述经训练的模型针对所述一个或多个可识别输入中的每个可识别输入相对于其他可识别输入，对经计算的变形距离进行分类。

13.根据权利要求1所述的识别方法，根据权利要求3所述的非暂时性处理器可读介质，或者根据权利要求7所述的电子设备，其中，所述数据包括多维时间序列数据。

14.根据权利要求1所述的识别方法，根据权利要求3所述的非暂时性处理器可读介质，或者根据权利要求7所述的电子设备，其中，所述数据包括以不同速度发生的基于监测生物信号的时间序列数据，所述监测生物信号通过传感器在各种窗口大小上被感测。

15.根据权利要求1所述的识别方法，根据权利要求3所述的非暂时性处理器可读介质，或者根据权利要求7所述的电子设备，其中，所述输入数据包括以不同速度发生的基于监测设备信号的时间序列数据，所述监测设备信号通过传感器在各种窗口大小上被感测。