Método de decomposição de dados invariável a pequenas mudanças e escalas?

Existe um método de decomposição de dados semelhante ao valor próprio que estima a matriz de projeção para reduzir a dimensionalidade, mas não projeta vetores semelhantes muito distantes em termos de distância euclidiana um do outro, se os dados originais da mesma classe variarem um pouco em escala, deslocamento e rotação (2D caso).

y = E x;

$y = E x;$

por exemplo, um exemplo de problema de classificação de ECG. Os ciclos de cardio têm duração diferente. Além disso, a escala e o deslocamento dependem da precisão da detecção de batida. Assim, os ciclos cardio pertencentes à mesma classe podem ser projetados para muito longe devido a essa variação.

image-processing algorithms

— Chesnokov Yuriy
fonte

Sinais pseudo-periódicos? sethares.engr.wisc.edu/paperspdf/wong2004.pdf

— rwong

Quando leio a pergunta, penso imediatamente na quantização de vetores . Ou outros algoritmos de armazenamento em cluster . Talvez pensar nessa direção possa ajudá-lo a começar.

— bjoernz

Para os ECGs, há trabalho usando a Transformada de Karhunen Lòeve (KLT) (Jager, et al. 1992) . Eu tive sucesso com a técnica KLT (Povinelli, 2005) .

— Richard Povinelli
fonte