Time Series Segmentation

Teile im SeriesExplorer mit Machine Learning (ML) Algorithmen lange Time Series wie Sensordaten in Segmente. Entdecke den Prozess von Mensch und Maschine mit wenigen Klicks.

Human Activity Daten

In diesem Beispiel verwenden wir Gyroskop-Daten von einer Studie, in der ein Mensch zuerst geht, dann joggt und schließlich läuft. Die Werte der Time Series stammen von einem Unterarmsensor und sind mit Zeitpunkten in einer CSV-Datei gespeichert.

1. CSV-Datei importieren

Wir ziehen die CSV-Datei per Drag & Drop in den SeriesExplorer. Dann setzen wir setzen „Points Column Name“ auf den Spaltennamen der Zeitpunkte „time“, sowie „Series Column Name“ auf den Spaltennamen der Time Series „gyro“. Danach starten wir den Import.

2. ML-Verfahren anwenden

Wir wählen im SeriesExplorer ein „Segmentation“ ML-Verfahren aus, um die Daten zu analysieren. Wir setzen die Anzahl der Segmente auf 3, um diese Information in die Verarbeitung einzubringen. Danach starten wir den Algorithmus, indem wir „Apply“ klicken.

3. Ergebnis auswerten

Nachdem der Segmentation-Algorithmus die Gyroskop-Daten analysiert hat, zeigt uns der SeriesExplorer den Prozess der Time Series als Folge von Zustandsübergängen. Wir können die Eigenschaften bei Bedarf bearbeiten, um spezielle Anpassungen vorzunehmen.

4. Prozess inspizieren

Im Editor zoomen wir mit der Maus an Zustandsübergänge heran, um diese zu inspizieren und in unsere Analyse zu integrieren. Bei Bedarf können wir Parameter verändern und den ML-Algorithmus nochmals rechnen lassen. Oder wir berechnen weitere Analysen im SeriesExplorer.

5. Segmente exportieren

Als letzten Schritt exportieren wir die Time Series mit der annotierten Segmentierung als Bild, um es bspw. in Präsentationen einzubinden oder zur Dokumentation zu speichern. Wir können ebenfalls die Zeitpunkte der Zustandsübergänge für weitere Verarbeitungsschritte exportieren.

Gründer
Arik Ermshaus