通过多变量时间序列聚类方法 SLAC-Time，作者研究了创伤性脑损伤（TBI）的动态变化以及不同年龄组对其表现和结果的影响，并发现了三种可以泛化到不同人群的 TBI 表型，分别为 α、β、γ 型，它们分别在急诊访视和重症监护期间表现出不同的临床特征。此外，通过各个年龄群体的比较，发现 TBI 表现的核心特征与年龄无关。

Jan, 2024

提出了一种基于自监督变压器的多元时间序列数据建模方法，使用连续值嵌入技术对连续时间和变量值进行编码，避免了聚合或插值旧方法带来的问题，并利用自监督学习处理有限标记数据情况下的预测问题。在真实的多元临床时间序列基准数据集上进行了实验证明该方法的正确性。

Jul, 2021

本文提出了一种半监督时间序列插值方法 ST-Impute，该方法基于稀疏自注意力模型并结合上下游任务的标签数据和无标签数据，在时间序列插值质量和下游任务结果上优于现有的监督和非监督方法。

Apr, 2023

使用 SLAN（Switch LSTM Aggregate Network）模型，不需要填充缺失值即可对不规则采样时间序列（ISTS）进行建模，通过动态调整模型架构、利用不规则信息和全局摘要状态来实现对每个传感器的建模。

Sep, 2023

自我监督学习在临床时间序列数据中的应用引起了广泛关注，本文提出了一种新的自我监督学习方法 —— 顺序多维自我监督学习 (Sequential Multi-Dimensional SSL)，在序列的整体和个体高维数据点级别上应用自我监督损失以更好地捕捉两个尺度上的信息。实验证明，使用本方法进行预训练并在后续任务中微调可以提高性能，并在不同自我监督损失函数中取得改进。

Jul, 2023

本文提出了一种新的编码框架，它依赖于自监督学习来学习各种生理领域的多元时间序列的表示，从而解决有限可用性的标记生理数据通常防止在生物医学机器智能领域使用强大的监督深度学习模型的问题，并得出新方法可以学会区分特征被用于下游分类任务。

Jun, 2023

本文研究利用 Parametric Signal Temporal Logic 设计无监督的时间序列数据特征以解决数据过载问题，以实现对复杂模型和实验产生的大量数据进行自动分类。作者通过几个示例说明了这种技术如何生产可解释性的公式，适合进行分析和理解。

Dec, 2016

本研究中，我们利用自监督学习范式 (SSL) 来学习未标记数据的深层次特征表达，提出了一种用于人类活动识别的动态时间规整 (DTW) 算法，强制特征在时间维度上对齐。我们的实验结果显示，该方法对于单一模态和多模态的情况均具有学习稳健特征表达的潜力，并在半监督学习中明显优于监督模型。

Oct, 2022

在重症监护室（ICU）中，多元时间序列的丰富性为机器学习提供了改进患者表型刻画的机会。与以往主要关注电子健康记录（EHR）的研究不同，本文提出了一种使用常规收集的生理时间序列数据进行表型刻画的机器学习方法。我们的新算法将长短期记忆（LSTM）网络与协同过滤的概念相结合，识别出患者之间共同的生理状态。在实际世界的 ICU 临床数据中测试，我们的方法在脑损伤患者颅内高压（IH）检测方面取得了 0.889 的曲线下面积（AUC）和 0.725 的平均精度（AP）。此外，我们的算法在学习生理信号的结构化潜在表示方面优于自编码器。这些发现突显了我们方法在利用常规多元时间序列改善临床护理实践的患者表型刻画方面的巨大潜力。

Feb, 2024

该论文提出了一种称为强健时间序列簇核的方法，使用了高斯混合模型和信息先验分布来处理缺失数据，并采用集成学习方法来确保对参数的鲁棒性。实验结果表明，该方法对于参数的选择鲁棒，在处理缺失数据的情况下表现出色。

Apr, 2017