Time Series Similarity Search
Suche im SeriesExplorer mit Machine Learning (ML) Algorithmen ähnliche Abschnitte in Time Series. Finde verborgene Strukturen oder Muster 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 wurden im SeriesExplorer bereits in Aktivitäten segmentiert. Mehr erfahren …
1. Aktivität auswählen
Zuerst wählen wir im SeriesExplorer eine der 3 Aktivitäten aus, um darin ähnliche Strukturen zu finden. Dazu erstellen eine neue Layer und wählen das „Selection“ Tool aus. Wir setzen das Ende des Intervalls auf das des ersten Segments und klicken „Apply“, um die Walk-Aktivität auszuwählen.
2. ML-Verfahren anwenden
Wir erstellen eine weitere Layer und wählen das „Motif Discovery“ ML-Verfahren aus, um automatisch Gruppen ähnlicher Strukturen zu finden. Wir setzen die maximale Gruppengröße auf 10 als ersten Richtwert. Danach starten wir den Algorithmus, indem wir „Apply“ klicken.
3. Ergebnis auswerten
Nachdem der Similarity Search Algorithmus die Gyroskop-Daten analysiert hat, zeigt uns der SeriesExplorer eine Gruppe ähnlicher Strukturen in der Time Series. Wir können die Eigenschaften bei Bedarf bearbeiten, um spezielle Anpassungen vorzunehmen.
4. Muster inspizieren
Im Editor zoomen wir mit der Maus an die annotierten Abschnitte 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. Muster exportieren
Als letzten Schritt exportieren wir die Walk-Aktivität mit den annotierten Mustern als Bild, um es bspw. in Präsentationen einzubinden oder zur Dokumentation zu speichern. Wir können ebenfalls die Zeitpunkte der Muster für weitere Verarbeitungsschritte exportieren.
Gründer
Arik Ermshaus