论文地址：Biosensors | Free Full-Text | Feature-Based Information Retrieval of Multimodal Biosignals with a Self-Similarity Matrix: Focus on Automatic Segmentation (mdpi.com)
论文源码：无
期刊：biosensors
这篇论文提出了一种基于特征的信息检索方法，利用自相似矩阵（SSM）自动分割多模态生物信号数据。随着可穿戴生物传感器技术的发展，获取连续的生物信号数据变得更加容易，但这也带来了如何从大量数据中提取有用信息的挑战。为了解决这一问题，作者设计了一种算法，通过计算信号的特征表示来构建SSM，从而揭示信号内在的结构和周期性模式。
该方法主要包含三个步骤：特征提取、构建SSM和信息检索。特征提取步骤使用滑动窗口技术从时间序列中提取统计、时域和频域特征。接着，利用这些特征构建SSM，SSM中的每个元素表示时间序列中两个子序列之间的相似度。最后，通过分析SSM来检索信息，包括使用新颖性搜索确定信号的变化点、周期性搜索识别重复模式，以及通过相似性分析比较不同子序列或段落之间的相似度。
此方法的核心优势在于其自动化和通用性，能够适用于单通道或多模态生物信号数据，支持无监督的信号分析。通过公共生物信号数据集的实验验证，该方法在自动分割生物信号方面显示了优越的性能，特别是在识别周期性事件和信号变化点方面。此外，SSM的视觉支持为理解和解释生物信号提供了直观的帮助，增强了分析的可解释性。这项工作为生物信号处理和自动化分析提供了新的视角和工具，有望在健康监测、运动科学和康复辅助等领域得到应用。
关键步骤：
1. 特征提取：使用滑动窗口技术在时间序列数据上滑动，根据窗口大小和重叠百分比，从每个窗口中提取出统计、时域和频域的特征。
2. 构建自相似矩阵（SSM）：利用提取的特征构建SSM，其中矩阵中的每个元素代表时间序列中两个子序列之间的相似度。
3.信息检索：
新颖性搜索：在SSM的对角线上应用一个特定的核（如棋盘格模式的核），通过滑动这个核并计算新颖性函数来识别变化点，即时间序列行为的显著变化。
周期性搜索：通过计算SSM的每一列的总和来生成相似性函数，从中识别出周期性模式的开始点，即局部最小值。
相似性分析：分析SSM中的相似性轮廓，比较不同子序列之间的相似度，用于进一步的分析和处理。
根据案例进行说明：
该论文提出了一种基于自相似矩阵（SSM）的多模态生物信号自动分割方法。通过滑动窗口技术提取时间序列的特征，并构建SSM来揭示信号的内在结构和周期性。该方法包括新颖性搜索以识别信号变化点，周期性搜索以发现重复模式，以及相似性分析以比较子序列间的相似度。这种方法的自动化和通用性使其在健康监测、运动科学等领域具有潜在的应用价值，为生物信号处理提供了一个有效的分析工具。
论文下载地址：
链接：https://pan.baidu.com/s/19vw0ZoVirnGEFcDSdv1Nqw
提取码：1msi
--来自百度网盘超级会员V6的分享
)
)
