Classification of Stabilometric Time-Series Using an Adaptive Fuzzy Inference Neural Network System

Lara, Juan A.; Jahankhani, Pari; Pérez, Alicia; Valente, Juan Pedro; Kodogiannis, Vassilis

doi:10.1007/978-3-642-13208-7_79

Cited by 3 publications

(1 citation statement)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Dentro de este método, cabe resaltar la importancia del algoritmo de generación de modelos de referencia en series temporales basado en un análisis de clusters de eventos. Con el objetivo de que los individuos atípicos no distorsionen los modelos de referencia resultantes, el método de generación de modelos de referencia incluye un algoritmo previo de detección y filtrado de individuos atípicos [Lara et al, 2010a] [Lara et al, 2010b] [Lara et al, 2010c.…”

Section: Aportaciones De Esta Tesisunclassified

Marco de Descubrimiento de Conocimiento para Datos Estructuralmente Complejos con Énfasis en el Análisis de Eventos en Series Temporales

Torralbo¹

View full text Add to dashboard Cite

El proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por su nombre en inglés, Knowledge Discovery in Databases) es el proceso de extracción de conocimiento útil, implícito y previamente desconocido a partir de grandes volúmenes de datos. Dicho proceso se compone de diferentes etapas entre las que cabe destacar la etapa de Data Mining, en la que se analizan los datos y se extrae conocimiento útil de ellos haciendo uso de un conjunto de algoritmos.Data Mining ofrece una gran variedad de técnicas para resolver diferentes tipos de problemas.En los últimos años, dichas técnicas han sido empleadas en multitud de dominios en los que el análisis se ha centrado en individuos cuya información se representa habitualmente mediante una tabla de atributos univaluados de tipo entero, real o enumerado. Sin embargo, existen muchos dominios en los que cada individuo no se representa mediante una simple tabla de atributos sino mediante un conjunto de datos con estructura más compleja, incluyendo tanto atributos univaluados como series temporales. El análisis de esos datos requiere nuevos enfoques.En esta Tesis se ha propuesto un marco de trabajo para el descubrimiento de conocimiento útil a partir de datos estructuralmente complejos, que pueden contener tanto series temporales como datos univaluados. Dicho marco consta de herramientas para la modelización conceptual, comparación y obtención de modelos de referencia a partir de esos datos. En particular, se han propuesto algoritmos para el análisis de series temporales en las que la información relevante de las mismas se concentra solo en aquellas regiones que se corresponden con eventos de interés para los expertos de cada dominio.El marco de extracción de conocimiento propuesto ha sido probado sobre datos estructuralmente complejos procedentes de dos áreas médicas: la Estabilometría, una disciplina que estudia el equilibrio de los seres humanos, y la Neurología, un área médica que estudia las enfermedades del sistema nervioso y los músculos. La obtención de resultados satisfactorios en dominios tan complejos y diferentes entre sí confirma la generalidad del marco propuesto.

show abstract

Section: Aportaciones De Esta Tesisunclassified

Marco de Descubrimiento de Conocimiento para Datos Estructuralmente Complejos con Énfasis en el Análisis de Eventos en Series Temporales

Torralbo¹

View full text Add to dashboard Cite

show abstract

Demand on Computational Intelligence Paradigms Synergy

Kryvinska¹,

Strauß²,

Auer³

2011

Next Generation Data Technologies for Collective Computational Intelligence

View full text Add to dashboard Cite

A general framework for time series data mining based on event analysis: Application to the medical domains of electroencephalography and stabilometry

Lara¹,

Lizcano²,

Pérez³

et al. 2014

Journal of Biomedical Informatics

View full text Add to dashboard Cite

There are now domains where information is recorded over a period of time, leading to sequences of data known as time series. In many domains, like medicine, time series analysis requires to focus on certain regions of interest, known as events, rather than analyzing the whole time series. In this paper, we propose a framework for knowledge discovery in both one-dimensional and multidimensional time series containing events. We show how our approach can be used to classify medical time series by means of a process that identifies events in time series, generates time series reference models of representative events and compares two time series by analyzing the events they have in common. We have applied our framework on time series generated in the areas of electroencephalography (EEG) and stabilometry. Framework performance was evaluated in terms of classification accuracy, and the results confirmed that the proposed schema has potential for classifying EEG and stabilometric signals. The proposed framework is useful for discovering knowledge from medical time series containing events, such as stabilometric and electroencephalographic time series. These results would be equally applicable to other medical domains generating iconographic time series, such as, for example, electrocardiography (ECG).

show abstract

Classification of Stabilometric Time-Series Using an Adaptive Fuzzy Inference Neural Network System

Cited by 3 publications

References 11 publications

Marco de Descubrimiento de Conocimiento para Datos Estructuralmente Complejos con Énfasis en el Análisis de Eventos en Series Temporales

Marco de Descubrimiento de Conocimiento para Datos Estructuralmente Complejos con Énfasis en el Análisis de Eventos en Series Temporales

Demand on Computational Intelligence Paradigms Synergy

A general framework for time series data mining based on event analysis: Application to the medical domains of electroencephalography and stabilometry

Contact Info

Product

Resources

About