Classification of Categorical Time Series Using the Spectral Envelope and Optimal Scalings
利用谱包络与最优赋值进行类别时间序列分类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：摘要核心是类别时间序列的谱特征与分类方法，实证应用为睡眠阶段序列。
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…
关注这篇论文的作者
利用谱包络与最优赋值进行类别时间序列分类
- 研究问题
- 如何从类别时间序列中提取有解释力且简约的振荡特征，以支持监督分类，并区分不同组别或睡眠障碍患者的序列模式？
- 方法与思路
- 作者通过给类别赋数值以突出各频率振荡，提取谱包络及对应最优赋值，组合成特征分类器，并研究一致性、模拟和睡眠阶段应用。
- 材料陈述的贡献
- 摘要称，联合两类谱特征可构造可解释且简约的分类器；论文考察分类一致性，并通过模拟及睡眠障碍应用展示分类准确性。
- 阅读关注点
- 应核对类别赋值的约束与唯一性、谱特征估计和一致性的条件，以及睡眠数据分类的验证设计和不同组别的振荡差异。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出一致性条件、分类准确率或经济数据应用结果。
原文摘要
This article introduces a novel approach to the classification of categorical time series under the supervised learning paradigm. To construct meaningful features for categorical time series classification, we consider two relevant quantities: the spectral envelope and its corresponding set of optimal scalings. These quantities characterize oscillatory patterns in a categorical time series as the largest possible power at each frequency, or spectral envelope, obtained by assigning numerical values, or scalings, to categories that optimally emphasize oscillations at each frequency. Our procedure combines these two quantities to produce an interpretable and parsimonious feature-based classifier that can be used to accurately determine group membership for categorical time series. Classification consistency of the proposed method is investigated, and simulation studies are used to demonstrate accuracy in classifying categorical time series with various underlying group structures. Finally, we use the proposed method to explore key differences in oscillatory patterns of sleep stage time series for patients with different sleep disorders and accurately classify patients accordingly.