Klasyfikacja zdarzeń na podstawie sygnału

Od wykrytego zdarzenia do klasy

Klasyfikacja zaczyna się wtedy, gdy obserwowany fragment ma zostać przypisany do jednej z określonych grup. Podstawą są cechy wyznaczone podczas analizy: kształt, amplituda, dynamika, czas trwania, regularność, relacje z innymi kanałami lub kontekst czasowy. Sama nazwa klasy nie powinna zastępować opisu cech, ponieważ to one pokazują, dlaczego dany przypadek został uznany za podobny do innych przypadków w tej samej grupie.

Klasy mogą być rozłączne albo częściowo podobne. Jeśli dwa typy zdarzeń różnią się tylko jednym parametrem, klasyfikacja powinna uwzględniać właśnie tę cechę. Jeśli granica jest nieostra, wynik może wymagać dodatkowej informacji o stopniu dopasowania zamiast bezwarunkowego przypisania.

Reguły klasyfikacyjne

Najprostsza reguła może opierać się na progu jednej wartości, ale bardziej złożone przypadki wymagają zestawu warunków. Przykładowo zdarzenie może zostać rozpoznane dopiero wtedy, gdy jednocześnie występuje odpowiednia amplituda, czas trwania i kolejność zmian. Łączenie warunków pozwala ograniczać pomyłki pomiędzy podobnymi przebiegami.

Reguły powinny działać na cechach przygotowanych w spójny sposób. Jeśli jedna seria została przeskalowana, a druga nie, ten sam próg może oznaczać coś innego. Klasyfikacja zależy więc od jakości wcześniejszych etapów, szczególnie od przetwarzania pomiarów i filtracji.

Podobieństwo i przypadki graniczne

Nie wszystkie zdarzenia znajdują się wyraźnie w środku jednej klasy. Przypadki graniczne mają cechy częściowo zgodne z kilkoma kategoriami. W takiej sytuacji przydatna jest miara podobieństwa, która pokazuje, jak mocno dany fragment odpowiada każdemu z rozważanych wzorców. Pozwala to zachować informację, której nie da się wyrazić samą etykietą.

Przypadek graniczny nie musi oznaczać błędu. Może wynikać z naturalnej zmienności zjawiska, wpływu szumu, niedokładnego pomiaru albo zbyt szerokiej definicji klas. Analiza takich przypadków pomaga ocenić, czy potrzebne są inne cechy lub dokładniejsze rozdzielenie kategorii.

Kontekst zdarzenia

Ta sama lokalna struktura może mieć różne znaczenie w zależności od tego, co występuje przed nią i po niej. Klasyfikacja może więc korzystać z kontekstu czasowego, stanu poprzedniego albo informacji z innych kanałów. Dzięki temu etykieta nie jest oparta wyłącznie na pojedynczym fragmencie oderwanym od całego przebiegu.

Kontekst jest szczególnie ważny przy sekwencjach, w których znaczenie wynika z kolejności. Pojedynczy element może należeć do wielu klas, ale cała sekwencja wskazuje jedną z nich znacznie wyraźniej. Uporządkowany system powinien rozdzielać cechy lokalne i kontekstowe, aby było wiadomo, która informacja zdecydowała o przypisaniu.

Ocena wyniku klasyfikacji

Wynik powinien być rozpatrywany razem z jakością danych i wyrazistością cech. Silne dopasowanie przy stabilnym sygnale ma inne znaczenie niż podobne dopasowanie uzyskane w silnie zaszumionym fragmencie. Dlatego klasyfikacja nie kończy całego procesu. Ostatnim etapem pozostaje interpretacja, która uwzględnia źródła niepewności.

Rozdzielenie klasy, cech i jakości dopasowania ułatwia analizę pomyłek. Można wtedy ustalić, czy problem wynikał z niewłaściwego przygotowania danych, błędnej detekcji, podobieństwa dwóch klas czy niejednoznacznego przebiegu. Taka struktura jest zgodna z założeniem MURS, w którym każdy etap ma własną rolę.

Klasa a opis zdarzenia

Przypisanie do klasy nie powinno zastępować opisu samego zdarzenia. Dwa przypadki mogą otrzymać tę samą etykietę, a jednocześnie różnić się amplitudą, czasem trwania lub wyrazistością wzorca. Zachowanie tych cech pozwala później analizować zróżnicowanie wewnątrz jednej kategorii i wykrywać przypadki znajdujące się blisko granicy z inną klasą. Takie podejście ułatwia również ocenę zmian w czasie, ponieważ można sprawdzić, czy kolejne zdarzenia należą do tej samej grupy tylko formalnie, czy także zachowują podobną strukturę. Klasa jest więc skrótem interpretacyjnym opartym na cechach, a nie ich zamiennikiem.