Análise e classificação de séries temporais não estacionárias utilizando métodos não-lineares

Abstract

Neste trabalho fazemos revisão de alguns dos principais métodos para análise não-linear de séries temporais originadas a partir de sistemas de baixa dimensionalidade com dinâmica predominantemente determinística, dando ênfase ao problema de classificação/clusterização nãosupervisionada destas mesmas séries. Várias medidas de dissimilaridade são utilizadas em conjunto com métodos heurísticos baseados em algoritmos estocásticos, para a organização de segmentos de séries temporais não estacionárias em grupos com características em comum, na tentativa de associar a estes alguma característica clínica previamente conhecida. O método é implementado com diferentes medidas de dissimilaridade e um experimento feito com séries temporais sintéticas (obtidas a partir de simulação numérica) com fins de validação e posteriormente aplicado a um problema real, o problema de segmentação de estágios de sono. Os resultados indicam certa promissoriedade do método para aplicação na classificação estágios de sono em eletroencefalogramas.

In this work we make a review of some of the main methods available for nonlinear time series analysis for low-dimensional deterministic systems, giving emphasis to the problem of unsupervised classification/clustering of this kind of data. Various dissimilarity measures are used together with heuristic search methods based on stochastic algorithms to organize segments of one (big) nonstationary time series in groups with common characteristics, trying to relate these groups to some known clinical property. The method is implemented with different dissimilarity measures and one experiment made with synthetic (generated by numerical simulations) time series for validation and lately applied to a real problem, the problem of sleep stages segmentation. The results look promising with respect to the applicability of the method to classify sleep stages in electroencephalographic recordings.