ترجمه فارسی مقاله طبقه‌بندی داده‌های خام MEG/EEG با گروه Detach-Rocket: یک الگوریتم بهبود یافته ROCKET برای تحلیل سری‌های زمانی چند متغیره

چکیده

Multivariate Time Series Classification (MTSC) is a ubiquitous problem in science and engineering, particularly in neuroscience, where most data acquisition modalities involve the simultaneous time-dependent recording of brain activity in multiple brain regions. In recent years, Random Convolutional Kernel models such as ROCKET and MiniRocket have emerged as highly effective time series classification algorithms, capable of achieving state-of-the-art accuracy results with low computational load. Despite their success, these types of models face two major challenges when employed in neuroscience: 1) they struggle to deal with high-dimensional data such as EEG and MEG, and 2) they are difficult to interpret. In this work, we present a novel ROCKET-based algorithm, named Detach-Rocket Ensemble, that is specifically designed to address these two problems in MTSC. Our algorithm leverages pruning to provide an integrated estimation of channel importance, and ensembles to achieve better accuracy and provide a label probability. Using a synthetic multivariate time series classification dataset in which we control the amount of information carried by each of the channels, we first show that our algorithm is able to correctly recover the channel importance for classification. Then, using two real-world datasets, a MEG dataset and an EEG dataset, we show that Detach-Rocket Ensemble is able to provide both interpretable channel relevance and competitive classification accuracy, even when applied directly to the raw brain data, without the need for feature engineering.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی سری زمانی چند متغیره (MTSC) یک مشکل همه جا در علم و مهندسی است ، به ویژه در علوم اعصاب ، که در آن بیشتر روشهای دستیابی به داده ها شامل ضبط همزمان وابسته به زمان فعالیت مغز در مناطق مختلف مغز است.در سالهای اخیر ، مدل های هسته ای حلقوی تصادفی مانند موشک و MiniRocket به عنوان الگوریتم های طبقه بندی سری زمانی بسیار مؤثر ظاهر شده اند ، که قادر به دستیابی به نتایج دقیق پیشرفته با بار محاسباتی کم هستند.با وجود موفقیت آنها ، این نوع مدل ها هنگام استفاده از علوم اعصاب با دو چالش اساسی روبرو هستند: 1) آنها برای مقابله با داده های با ابعاد بالا مانند EEG و MEG تلاش می کنند و 2) تفسیر آنها دشوار است.در این کار ، ما یک الگوریتم جدید مبتنی بر موشک به نام گروه Detach-Rocket را ارائه می دهیم که به طور خاص برای رفع این دو مشکل در MTSC طراحی شده است.الگوریتم ما برای ارائه یک برآورد یکپارچه از اهمیت کانال ، و گروه ها برای دستیابی به دقت بهتر و ارائه احتمال برچسب ، از هرس استفاده می کند.با استفاده از یک مجموعه داده طبقه بندی سری زمانی چند متغیره مصنوعی که در آن میزان اطلاعات حمل شده توسط هر یک از کانال ها را کنترل می کنیم ، ابتدا نشان می دهیم که الگوریتم ما قادر است به درستی اهمیت کانال را برای طبقه بندی بازیابی کند.سپس با استفاده از دو مجموعه داده در دنیای واقعی ، یک مجموعه داده MEG و یک مجموعه داده EEG ، ما نشان می دهیم که گروه Detach-Rocket قادر به ارائه ارتباط کانال قابل تفسیر و دقت طبقه بندی رقابتی است ، حتی اگر مستقیماً در داده های خام مغز اعمال شود ، بدون نیازبرای مهندسی ویژگی