Supervised change-point detection with dimension reduction, applied to physiological signals

Cet article propose une méthode automatique pour calibrer les algorithmes de détection de ruptures pour les séries temporelles à grande dimension. Notre procédure s'appuie sur la capacité d'un expert (par exemple, un chercheur biomédical) à produire des estimations approximatives de la segmentation, appelées annotations partielles, pour un petit nombre d'exemples de signaux. Cette contribution est une approche supervisée pour apprendre une métrique de Mahalanobis, qui, une fois combinée avec un algorithme de détection, est capable de reproduire la stratégie de segmentation de l'expert sur de nouveaux signaux. Contrairement aux travaux précédents sur la détection de rupture, notre méthode intègre une régularisation parcimonieuse, qui effectue une sélection supervisée des dimensions et s'adapte aux annotations partielles. Des expériences sur des signaux d'activité recueillis auprès de sujets sains et de patients souffrant de troubles neurologiques confirment que la supervision améliore considérablement la précision de la détection.