logo móvil
Contáctanos

Un estudio comparativo exhaustivo de la Firma Invariante Rápida (QIS), el Alineamiento de Tiempo Dinámico (DTW) y la combinación híbrida QIS + DTW para el análisis de series temporales

Autores: Shahbazkia, Hamid Reza; Khosravani, Hamid Reza; Pulatov, Alisher; Hajimani, Elmira; Kiazadeh, Mahsa

Idioma: Inglés

Editor: MDPI

Año: 2025

Descargar PDF

Acceso abierto

Artículo científico
2025

Un estudio comparativo exhaustivo de la Firma Invariante Rápida (QIS), el Alineamiento de Tiempo Dinámico (DTW) y la combinación híbrida QIS + DTW para el análisis de series temporales


Categoría

Matemáticas

Subcategoría

Matemáticas generales

Palabras clave

Evaluación
QIS
DTW
Enfoque híbrido
Análisis de series temporales
Precisión de clasificación

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 39

Citaciones: Sin citaciones


Descripción
Este estudio presenta una evaluación integral de la firma invariante rápida (QIS), la alineación dinámica temporal (DTW) y un enfoque híbrido novedoso QIS + DTW para el análisis de series temporales. QIS, un descriptor de forma invariante a la traducción y rotación, y DTW, una técnica de alineación ampliamente utilizada, fueron probados individualmente y en combinación en varios conjuntos de datos, incluidos ECG5000, datos sísmicos y señales sintéticas. Nuestro método híbrido fue diseñado para incorporar la representación estructural de QIS con las capacidades de alineación temporal de DTW. Este método híbrido logró un rendimiento de hasta un 93% de precisión de clasificación en ECG5000, superando a DTW solo (86%) y a un clasificador MLP estándar en condiciones de ruido o baja cantidad de datos. Estos hallazgos confirman que la integración de la invariancia estructural (QIS) con la alineación temporal (DTW) proporciona una mayor robustez ante el ruido y los artefactos de compresión temporal. Recomendamos adoptar QIS + DTW híbrido, especialmente para aplicaciones en monitoreo de señales biomédicas y detección de terremotos, donde el análisis en tiempo real y datos etiquetados mínimos son críticos. El enfoque híbrido propuesto no requiere un entrenamiento extensivo, lo que lo hace adecuado para escenarios con recursos limitados.

Otros recursos que podrían interesarte

Temas Virtualpro