Knowledge extraction from uncertain and cyclic time series : application to Manual Wheelchair locomotion analysis
S.P. Mefo Fotso, Vanel Steve · 2018
Cette these apprehende des questions scientifiques d'un point de vue de la data science, dans le cadre de l'analyse des series temporelles issues de la locomotion en fauteuil roulant manuel (FRM). Compression et classification des series temporelles a l'aide de DTW : l'algorithme Dynamic Time Warping (DTW) est souvent utilise car il permet d'eviter de petites distorsions entre les series temporelles au cours de leur alignement. Cependant, DTW produit parfois des alignements pathologiques qui se produisent, lorsque au cours de la comparaison de deux series temporelles X et Y, un point de donnees de la serie temporelle X est compare a une grande sous-sequence de Y. Nous demontrons que la compression de series temporelles a l'aide de l'approximation par morceaux (Piecewise Aggregate Approximation) (PAA) augmente considerablement la qualite de l'alignement avec DTW. Classification non supervisee de series temporelles basee sur la distance Frobenius : Un shapelet non supervise (U-shapelet) est une sous-sequence d'une serie temporelle utilisee pour segmenter un jeu de donnees. Notre but est de decouvrir des u-shapelets sur des series temporelles incertaines. Pour ce faire, nous proposons un score de dissimilarite robuste a l'incertitude appele FOTS dont le calcul est base sur la decomposition en vecteurs propres et la comparaison des matrices d'autocorrelation de la serie temporelle. Ce score est robuste a la presence d'incertitude ; il n'est pas tres sensible aux changements transitoires ; il permet de saisir des relations complexes entre des series temporelles telles que les oscillations et les tendances, et il est egalement bien adapte a la comparaison de series temporelles courtes. Le score FOTS a ete utilise avec l'algorithme Scalable Unsupervised Shapelet Discovery pour le clustering de 17 jeux de donnees, et il a montre une amelioration substantielle de la qualite du clustering par rapport a l'indice Rand. Representation symbolique de serie temporelles cycliques basee sur les proprietes des cycliques : L'analyse des series temporelles cycliques de la biomecanique est basee sur la comparaison des proprietes de leurs cycles. En general, les algorithmes de fouille de donnees ignorent cette particularite, nous proposons une representation symbolique des series temporelles cycliques basees sur les proprietes de cycles, appeles SAX-P. Les chaines de caracteres resultantes peuvent etre comparees en utilisant la distance de distorsion temporelle dynamique (DTW). L'application de SAX-P aux moments propulsifs de trois sujets (S1, S2, S3) se deplacant en FRM a mis en evidence de caractere asymetrique de leur propulsion. La representation symbolique SAX-P facilite l'interpretation clinique des resultats de classification.