Personalized Convolutional Dictionary Learning of Physiological Time Series
生理时间序列的个性化卷积字典学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究生理信号的字典表示与个体时空变换，未明确涉及宏观时间序列计量或其他所列细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
生理时间序列的个性化卷积字典学习
- 研究问题
- 如何同时表示生理信号中跨个体共享的结构与个体特有的时空差异，使学习到的时间序列字典兼顾共性和个性？
- 方法与思路
- 作者提出个性化卷积字典学习，将局部字典建模为全局字典的可学习时空变换，允许组合时间扭曲、旋转等操作。
- 材料陈述的贡献
- 摘要称，PerCDL 获得计算和统计方面的形式化保证，并在合成数据与真实人体运动数据中展示该表示方法的有效性。
- 阅读关注点
- 应核对全局与局部字典的约束、变换参数学习方式、理论保证的条件，以及模拟和人体运动数据中的评价指标与比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实。摘要未说明理论条件或效果数值，不能判断个性化表示在其他序列中的表现。
原文摘要
Human physiological signals tend to exhibit both global and local structures: the former are shared across a population, while the latter reflect inter-individual variability. For instance, kinetic measurements of the gait cycle during locomotion present common characteristics, although idiosyncrasies may be observed due to biomechanical disposition or pathology. To better represent datasets with local-global structure, this work extends Convolutional Dictionary Learning (CDL), a popular method for learning interpretable representations, or dictionaries, of time-series data. In particular, we propose Personalized CDL (PerCDL), in which a local dictionary models local information as a personalized spatiotemporal transformation of a global dictionary. The transformation is learnable and can combine operations such as time warping and rotation. Formal computational and statistical guarantees for PerCDL are provided and its effectiveness on synthetic and real human locomotion data is demonstrated.