SigTime: Lern- und Visualisierungssystem für Zeitreihen-Signaturen

Ein neues Forschungsprojekt namens SigTime präsentiert einen innovativen Ansatz zur Erkennung und Visualisierung von Mustern in Zeitreihen. Durch die Kombination von Transformer-Modellen, die auf Shapelet-basierten Darstellungen und klassischen statistischen Merkmalen beruhen, gelingt es dem System, interpretierbare Signaturen zu erzeugen, die verschiedene Zeitreihenklassifikationen eindeutig unterscheiden.

Die Methode adressiert die häufigsten Schwächen bisheriger Verfahren: hohe Rechenaufwände, mangelnde Transparenz und Schwierigkeiten bei der Erfassung relevanter zeitlicher Strukturen. Durch das gleichzeitige Training zweier Transformer-Architekturen werden lokale Muster (Shapelets) und globale statistische Eigenschaften optimal genutzt, was zu einer verbesserten Erkennungsgenauigkeit führt.

Zur Unterstützung der Analyse wurde ein interaktives Visualisierungstool entwickelt, das mehrere koordinierte Ansichten bietet. Anwender können so die entstehenden Signaturen aus unterschiedlichen Perspektiven untersuchen und wertvolle Erkenntnisse gewinnen. Die Leistungsfähigkeit des Systems wurde an acht öffentlichen Datensätzen sowie an einem proprietären klinischen Datensatz getestet.

In zwei praxisnahen Szenarien – der Analyse öffentlicher ECG-Daten und der Untersuchung von Frühgeburten – demonstrierten die Entwickler zusammen mit Fachexperten die Nützlichkeit von SigTime. Das Tool erleichtert die Entdeckung von relevanten Mustern in medizinischen Signalen und unterstützt damit die Entscheidungsfindung in der klinischen Forschung.