Dwa nowe algorytmy klasyfikacji farmakokinetycznych szeregów czasowych

• Autorzy: Wilczek Piotr

Warianty tytułu

EN

Two novel classification algorithms of the pharmacokinetic time series

• Języki publikacji: PL

Abstrakty

PL

Przedkładana praca zawiera propozycję dwóch nowych miar odległości pomiędzy szeregami czasowymi. Mianowicie, wprowadzamy tzw. rekurencyjno-kanoniczną miarę odległości oraz jej krzyżową formę. Nasze podejście opieramy na bezprogowych (krzyżowych) macierzach rekurencyjnych, których koncepcje zostały rozwinięte w ramach (krzyżowej) analizy rekurencyjnej szeregów czasowych oraz na kanonicznej mierze odległości pomiędzy dwoma wielowymiarowymi zbiorami danych, której koncepcja została rozwinięta w obrębie chemometrii. Wyczerpujące symulacje komputerowe przeprowadzone na 27 farmakokinetycznych szeregach czasowych pokazały, iż algorytmy bazujące na nowo opracowanych funkcjach odległości są bardziej efektywne niż algorytmy bazujące na klasycznych miarach 𝐿2 i 𝐷𝑇𝑊 oraz na ich modyfikacjach.

EN

In the present contribution, we proposed two novel distance measures between time series. Namely, we introduced the so-called recurrence-canonical measure of distance as well as its cross form. Our approach is based on the notion of the unthresholded (cross-)recurrence matrices developed in the field of the (Cross-)Recurrence Quantification Analysis and the notion of the canonical measure of distance between multidimensional datasets developed in the field of chemometrics. The extensive computer simulations carried out on 27 pharmacokinetic time series showcased that the algorithms based on the newly designed distance functions outperform the protocols based on the classical 𝐿2 and 𝐷𝑇𝑊 functions and on their modifications.

Słowa kluczowe

PL

szereg czasowy; (krzyżowa) analiza rekurencyjna; kanoniczna miara odległości; farmakokinetyka

EN

time series; (cross-)recurrence quantification analysis; canonical measure of distance; pharmacokinetics

• Wydawca: Wydawnictwo Akademii Techniczno-Informatycznej w Naukach Stosowanych
• Czasopismo: Biuletyn Naukowy Wrocławskiej Wyższej Szkoły Informatyki Stosowanej. Informatyka
• Rocznik: 2023
• Tom: Vol. 10
• Strony: 27--43
• Opis fizyczny: Bibliogr. 21 poz., rys.

Twórcy

autor

Wilczek Piotr

• Computer Laboratory, 61–163 Poznań

• https://orcid.org/0000-0003-2758-343X

Bibliografia

• 1. Batista G. E. A. P. A., Wang X., Keogh E. J., A complexity-invariant distance measure for time series [w:] Proceedings of the 2011 SIAM International Conference on Data Mining, red. B. Liu, H. Liu, C. Clifton, T. Washio, C. Kamath, 2011, s. 699–710.
• 2. Berndt D. J., Clifford J., Using dynamic time warping to find patterns in time series [w:] Proceedings of the 3rd International Conference on Knowledge Discovery and Data Mining, 1994, s. 359–370.
• 3. Eckmann J.–P., Kamphorst S. O., Ruelle D., Recurrence plots of dynamical systems, „Europhysics Letters” 1987, nr 5, s. 973–977.
• 4. Eroglu D., T. K. DM. Peron, N. Marwan, F. A. Rodigues, L. da F. Costa, M. Sebek, I. Z. Kiss, J. Kurths, Entropy of weighted recurrence plots, „Physical Review E” 2014, nr 90, 042919-1–024919-7.
• 5. Giorgino T., Computing and visualizing dynamic time warping alignments in R: The dtw package, „Journal of Statistical Software” 2009 (7), s. 1–24.
• 6. Górecki T., Łuczak M., Using derivatives in time series classification, „Data Mining and Knowledge Discovery” 2013, nr 2, s. 310–331.
• 7. Górecki T., Łuczak M., Multivariate time series classification with parametric derivative dynamic time warping, „Expert Systems with Applications” 2015, nr 42, s. 2305–2312.
• 8. Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning. Data Mining, Inference, and Prediction, New York 2009.
• 9. Keogh E., Kasetty S., On the need for time series data mining benchmarks: a survey and empirical demonstration [w:] Proceedings of the eight ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, New York 2002, s. 102–111.
• 10. Keogh E., Pazzani M. J., Dynamic time warping with higher order features [w:] Proceedings of the 2001 SIAM International Conference on Data Mining, red. V. Kumar, R. Grossman, 2001, s. 1–11.
• 11. Keogh E., Ratanamahatana C. A., Exact indexing of dynamic time warping, „Knowledge and Information Systems” 2005 (7), s. 358–386.
• 12. Lubbock A. L. R., Harris L. A., Quaranta V., Tyson D. R., Lopez C. F., Thunor: visualization and analysis of high-throughput dose-response datasets, „Nucleic Acids Research” 2021, nr 46, s. w633–w640.
• 13. Marwan N., Romano M. C., Thiel M., Kurths J., Recurrence plots for the analysis of complex systems, „Physics Reports” 2007, nr 438, s. 237–329.
• 14. Mori U., Mendiburu A., Lozano J. A., Distance measures for time series in R: The TSdist Package, „The R Journal” 2016, nr 2, s. 451–459.
• 15. Rabiner L,. Juang B.-H, Fundamentals of Speech Recognition, New Jersey 1993.
• 16. R Core Team, R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna 2022, https://www.R-project.org/(on-line 16.02.2024).
• 17. Sankoff D., Kruskal J., Time Warps, String Edits, and Macromolecules. The Theory and Practice of Sequence Comparison, 1999.
• 18. Todeschini R., Ballabio D., Consonni V., Manganaro A., Mauri A., Canonical measure of correlation (CMC) and canonical measure of distance (CMD) between sets of data.Part 1. Theory and simple chemometric applications, „Analytica Chimica Acta” 2009, nr 648, s. 45–51.
• 19. Thunor, https://www.thunor.net (on-line: 16.02.2024).
• 20. Venables W. N., Ripley B. D., Modern Applied Statistics with S, New York 2002.
• 21. Wilczek P., An application of the local binary pattern algorithm and its uniform variant to improve the recurrence and cross-recurrence quantification analyses of the pharmacologically important time series [w:] Recent Advances in Computational Oncology and Personalized Medicine. Vol. 2. The Challenges of the Future !, red. K. Krukiewicz, M. Marczyk, M. Bugdol, S. Bajkacz, Z. Ostrowski, Gliwice 2022, s. 128–152.