Communication Dans Un Congrès Année : 2022

Supervised change-point detection with dimension reduction, applied to physiological signals

Détection de ruptures supervisée avec réduction de dimension, appliquée à des signaux physiologiques

Charles Truong
Laurent Oudre

Résumé

This paper proposes an automatic method to calibrate change point detection algorithms for high-dimensional time series. Our procedure builds on the ability of an expert (e.g. a medical researcher) to produce approximate segmentation estimates, called partial annotations, for a small number of signal examples. This contribution is a supervised approach to learn a diagonal Mahalanobis metric, which, once combined with a detection algorithm, is able to reproduce the expert's segmentation strategy on out-of-sample signals. Unlike previous works for change detection, our method includes a sparsity-inducing regularization which perform supervised dimension selection, and adapts to partial annotations. Experiments on activity signals collected from healthy and neurologically impaired patients support the fact that supervision markedly ameliorate detection accuracy

Cet article propose une méthode automatique pour calibrer les algorithmes de détection de ruptures pour les séries temporelles à grande dimension. Notre procédure s'appuie sur la capacité d'un expert (par exemple, un chercheur biomédical) à produire des estimations approximatives de la segmentation, appelées annotations partielles, pour un petit nombre d'exemples de signaux. Cette contribution est une approche supervisée pour apprendre une métrique de Mahalanobis, qui, une fois combinée avec un algorithme de détection, est capable de reproduire la stratégie de segmentation de l'expert sur de nouveaux signaux. Contrairement aux travaux précédents sur la détection de rupture, notre méthode intègre une régularisation parcimonieuse, qui effectue une sélection supervisée des dimensions et s'adapte aux annotations partielles. Des expériences sur des signaux d'activité recueillis auprès de sujets sains et de patients souffrant de troubles neurologiques confirment que la supervision améliore considérablement la précision de la détection.

Fichier principal
Vignette du fichier
44_supervised_change_point_detect.pdf (273.37 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-03883779 , version 1 (04-12-2022)

Licence

Identifiants

  • HAL Id : hal-03883779 , version 1

Citer

Charles Truong, Laurent Oudre. Supervised change-point detection with dimension reduction, applied to physiological signals. NeurIPS 2022 Workshop on Learning from Time Series for Health, Dec 2022, La Nouvelle-Orléans, United States. ⟨hal-03883779⟩
166 Consultations
294 Téléchargements

Partager

  • More