学习IBS_paper

IBS Index（Information-Based Similarity Index）【1】：基于信息的相似性指数来检测和量化心率时间序列中的时间结构

步骤

一、时间序列映射为二进制的序列

1）将m + 1个连续的区间映射到长度为m的二进制序列，称为m位“字”（此时m=8），“字”总数为

2）每次移动一个数据点，该算法在整个时间序列中生成一个m位“字”

二、计算不同时间序列的“距离”

p1(wk)和R1(wk)表示第k个m位“字”在时间序列S1中出现的概率和排名

  （标准化因子）

  （每个“字”的权重因子F，范围为[0,1]）

   （两条时间序列的加权距离，D的范围为[0,1]）

D越小，两序列越相似

应用

Paper1：基于信息相似性的阵发性房颤自动检测方法

一、数据：

 AF（房颤）数据库包括25例病患的ECG记录，NSR数据库包括18例健康个体的ECG记录。

房颤发作期的RR间期波动幅度明显高于非房颤发作期。

二、步骤：

1）从ECG提取AF和NSR的RR间期序列

2）一个观察窗算一个样本，随机分配AF和NSR的训练、验证样本数据（重复5次，生成5个样本数据集）

3）从观察窗（每个样本）中提取RR间期间隔的‘字’及排名

4）构建标准“字”序列作为模板来代表AF、NSR

5）设计由不同对AF和NSR模板组成的集成分类器

本文中，每个数据集中随机生成了10个AF模板和15个NSR模板，组成了10*15个AF-NSR模板对，用与未知序列对比（相当于bagging)

6）比较未知的RR时间序列与模板之间的基于信息的差异距离

每对差异距离标准化：（），再利用求差异距离的均值：（T为AF-NSR模板对数量，T=150）

7）调整参数，以达到高检测精度和低检测方差的双重目标

调整参数：“字”长m，观察窗大小n，偏差∆（如果DN > DAF + ∆，片段为AF，否则为NSR）

三、优点

• AF和NSR在不同的受试者中表现可能不一致，因此为每个AF、NSR类设计多个（10、15）模板，以充分表示AF和NSR
• 最后的AF、NSR分类，是将AF和NSR模板两两组合，形成一个Bagging集成模型，再由集成模型决定（这里由150次判定组成，判定由一个AF和NSR模板对未知序列进行差异距离的评分）。最后的决定是由150次判定投票共同决定的，通过加权投票方式，增强分类确信度高的，削弱分类确信度低的。实验结果表明，该集成方案降低了噪声影响，从而降低了方差。

“加权投票”在哪加权？

1、计算差异距离时的加权因子F（可能性大）；2、对加权（文中未写），再求差异距离均值

 

 

paper2：基于信息相似性指数的基因组分类 SARS冠状病毒的应用

paper3：使用频率和等级顺序统计数据的人类心跳的语言学分析

 

 

 

【1】ibs网址：https://archive.physionet.org/physiotools/ibs/