Time series classification with motifs and characteristics

Studies in Computational Intelligence

Volumn 537, Issue , 2014, Pages 125-138

  Maletzke, André Gustavo ^a   Lee, Huei Diana ^a   Alves Batista, Gustavo Enrique Almeida Prado ^b   Coy, Cláudio Saddy Rodrigues ^c   Fagundes, João José ^c   Chung, Wu Feng ^a,b  

^a UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ   (Brazil)

^b UNIVERSITY OF SÃO PAULO   (Brazil)

^c UNIVERSITY OF CAMPINAS   (Brazil)

Author keywords

[No Author keywords available]

Indexed keywords

EID: 84958536785     PISSN: 1860949X     EISSN: None     Source Type: Book Series    
DOI: 10.1007/978-3-642-53737-0_8     Document Type: Article

References (15)

1. Buhler, J., Tompa, M.: Finding motifs using random projections. Journal of ComputationalBiology 9(2), 225-242 (2002)
2. Chiu, B., Keogh, E., Lonard, S.: Probabilistic discovery of time series motifs. In: Proceedings of the 9th International Conference on Knowledge Discovery and Data Mining, New York, USA, pp. 493-498 (2003)
3. Ferreira, P.G., Azevedo, P.J., Silva, C.G., Brito, R.M.M.: Mining approximate motifs in time series. In: Todorovski, L., Lavrač, N., Jantke, K.P. (eds.) DS 2006. LNCS (LNAI), vol. 4265, pp. 89-101. Springer, Heidelberg (2006)
4. Ding, H., Trajcevski, G., Scheuermann, P., Wang, X., Keogh, E.: Querying and Mining of Time Series Data: Experimental Comparison of Representations and Distance Measures. In: Proceedings of the VLDB Endowment, pp. 1542-1552 (2008)
5. Keogh, E., Zhu, Q., Hu, B., Hao, Y., Xi, X., Wei, L., Ratanamahatana, C.A.: The UCR Time Series Classification/Clustering (2011), http://www.cs.ucr. edu/~eamonn/time-series-data/ (accessed February 28, 2012)
6. Last, M., Kandel, A., Bunke, H.: Data Mining in Time Series Databases. Machine perception and artificial intelligence, vol. 57. World Scientific, Danvers (2004)
7. Lin, J., Keogh, E., Lonardi, S., Patel, P.: Finding motifs in time series. In: Proceedings of the Second Workshop on Temporal Data Mining at the Eighth Interntional Conferenceon Knowledge Discovery and Data Mining, Edmonton, Alberta,Canada, pp. 53-68 (2002)
8. Maletzke, A.G.: Uma metodologia para a extração de conhecimento em séries temporais por meio da identificação de motifs e extração de características. Master Thesis. Universidade de São Paulo, São Paulo, Brazil (2009)
9. Maletzke, A.G., Batista, G.E., Lee, H.D.: Uma avaliação sobre a identificaçãode motifs em séries temporais. In: Anais do Congresso da Academia Trinacional de Ciências, Foz do Iguaçu, Paraná, Brazil, vol. 1, pp. 1-10 (2008)
10. Maletzke, A.G., Lee, H.D., Zalewski, W., Oliva, J.T., Machado, R.B., Coy, C.S.R., Fagundes, J.J., Wu, F.C.: Estudo do Parâmetro Tamanho de Motif para a Classificação de Séries Temporais de ECG. In: Congresso da Sociedade Brasileira de Computação, Workshop de Informática Médica, Natal, Rio Grande do Norte, pp. 1-10 (2011)
11. Michalski, R.S., Bratko, I., Kubat, M.: Machine learning and data mining. Wiley, Chichester (1998)
12. Olszewski, R.T.: Generalized Feature Extraction for Structural Pattern Recognition in Time-Series Data. PhD Thesis, Carnegie Mellon University, Pitts-burgh, PA (2001)
13. Saad, L.H.C.: Quantificação da função esfincteriana pela medida da capaci-dade de sustentação da pressão de contração voluntária do canal anal. PhD Thesis, Faculdade de Ciências Médicas da Universidade Estadual de Campi-nas, Campinas, SP (2002)
14. Tanaka, Y., Iwamoto, K., Uehara, K.: Discovery of time-series motif from multidimensional data based on mdl principle. Machine Learning 58(2-3), 269-300 (2005)
15. Witten, I.H., Frank, E.: Data mining: practical machine learning tools and techniques, 2nd edn. Elsevier, San Francisco (2005)