果酱 应用数学学报 1687 - 0042 1110 - 757 x Hindawi出版公司 528071年 10.1155 / 2014/528071 528071年 研究文章 增强模板匹配使用动态位置扭曲对脑电图的具体模式的识别 http://orcid.org/0000 - 0002 - 7437 - 4211 常 Won-Du http://orcid.org/0000 - 0003 - 3795 - 3318 即时通讯 Chang-Hwan Kwon Kiwoon 生物医学工程系 汉阳大学 222年Wangsimni-ro Seongdong-gu 133 - 791 韩国 hanyang.ac.kr 2014年 27 4 2014年 2014年 25 03 2014年 04 04 2014年 27 4 2014年 2014年 版权©2014 Won-Du Chang和Chang-Hwan Im。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

模板匹配是一种信号模式识别的方法,通常用于生物医学信号包括脑电图(EEG)。因为脑电图常常是严重污染的各种生理或病理的工件,识别和拒绝这些工件与改进的模板匹配算法提高脑电图信号的整体质量。在本文中,我们提出一个新颖的方法来改善传统的模板匹配方法的准确性,采用动态位置扭曲(法)技术,开发最近笔迹模式分析。验证该方法的可行性和优越性,但工件的脑电图信号被检测到,然后结果相比于传统方法。法优于传统的方法被发现工件的检测精度,证明数字摄影测量工作站的力量在识别特定的一维数据模式。

 1。介绍

模板匹配一直是最受欢迎的方法在模式识别在过去的几十年里 1- - - - - - 4]。这种技术是为了匹配的部分信号(或图像)一个预定义的模板信号(或图像)以量化相似形状的信号测试和模板。由于其适用性检测各种模式,成功的应用在各种不同的研究领域已报告。这些领域包括眼部检测( 5, 6),人类身份验证( 7),股票变化分类( 8),手写识别( 9),签名验证 10)和脑电图(EEG)工件检测( 11- - - - - - 13]。

让研究脑电图信号进行识别的目的病态脑电图模式或脑电图驱动构件( 11, 12, 14- - - - - - 16]。然而,仍然是一个需要更好地识别但和运动工件,这样他们就可以被拒绝几乎完美,希望获得更可靠的脑电图分析结果。精密工件的自动识别是必需的应用程序要求在线脑电图处理或长期脑电图监测。除了需要更好的工件检测,还需要更好地检测异常脑电图与各种脑部疾病关联的模式以达到改进的诊断决策或更好的损伤定位( 17, 18]。

动态时间规整(DTW),提高模板匹配技术,语音识别技术已经广泛研究[ 19, 20.),正逐渐被应用在其他方面,比如几何边界匹配( 21),面部识别( 22),签名验证 23),脑电图模式检测( 12]。DTW方法已经应用于实现更精确的量化差异模板和测试信号子模式,通过最优匹配的对应点。而不是假设均匀分布在模板和测试子模式之间的对应点,DTW发现最好的对应点在时间轴扭曲模板模式。最近的研究表明高与DTW模板匹配的精度比传统的模板匹配方法,假设均匀分布在对应点( 24- - - - - - 26]。

动态位置扭曲(法)是一种修改了提高精度的DTW距离量化( 27]。它最初开发的准确匹配轮廓数据和二维形状和经常用于签名验证。通过允许信号的扭曲的除了时间轴,纵轴法能更准确地识别比传统的DTW可以对应点。

本研究的主要目的是调查法是否可以被扩展到一维模式识别问题。数字摄影测量工作站接近这一目标,我们应用但工件的检测模式额脑电图数据从24名健康受试者获得。数字摄影测量工作站的检测精度当时相比传统的模板匹配方法。

 2。材料和方法 2.1。实验数据和预处理

在这项研究中,但工件连续脑电图信号被选为目标模式被探测到。原因是,但工件被视为代表工件污染EEG信号,很难准确地识别它们由于高可变性在事件或个人。脑电图数据记录从24个健康的参与者使用多通道脑电图记录系统(ActiveTwo广告框,BioSemi,荷兰)在采样率为2048 Hz,同时为25秒参与者发现不同点进行游戏。两个不同的图片被展示在左边和右边部分显示,和参与者被要求为15秒找到两幅图像之间的差异。每个参与者的任务是重复5次。特定额Fp2频道在国际10 - 20系统用于但工件检测。验证但检测精度,有必要使用一个真实数据集,表明存在一个但工件。对于这个目标,但工件的时间范围是由两名有经验的研究人员基于EEG数据的目视检查。

主要分析之前,脑电图数据与0.1 Hz高通滤波截止频率,downsampled 64 Hz采样率以降低计算成本,和median-filtered五点宽度以平滑数据。中值滤波器的宽度是经验决定的。

 2.2。模板匹配的过程

为了评估和比较不同的距离度量,一个典型的模板匹配协议实施。模板匹配协议被设计成尽可能简单,以排除任何混杂因素的潜在影响。图 1说明了我们的研究协议的原理图。

我们的研究协议的原理图 n = 5 模板。从真实数据集在选择模板,模板之间的平均距离计算出归一化(在“培训”阶段)。在“测试”阶段,测试信号滑动窗口内模板和测试模式之间的距离计算。

这个过程的核心部分包括模板之间的距离计算和测试模式(用步骤1图 1)和一个整体相似性决定基于一个预定的阈值(用第三步在图 1)。这些步骤都是普遍采用模板匹配方法研究[ 11, 12, 28]。在最近的研究中,提取测试模式的连续测试脑电图数据使用一个固定大小的滑动窗口,和模板之间的距离和测试脑电图信号进行评估在每一个时间点(滑动窗口的数量是用 NgydF4y2Ba )。滑动窗口的大小设置为模板的长度是一样的,这是一个假设不可或缺的应用线性相关性和均方根误差等模板匹配。决策步骤只是申请距离的局部最小值数组,和同等的宽度被认为发现模式和模板。当相邻的发现模式的范围重叠,发现模式范围被合并成一个单一的为了避免重复检测范围。

模板信号是由电脑随机选择在 4),以消除任何可能偏向于使用特定的方法。使用时由专家、手动模板选择有潜力实现更高的性能结果( 11, 12]相对于随机选择;然而,人工选择过程是高度依赖于专家的主观决定,可能导致偏见的结果。

方法更好地利用训练数据涉及建筑平均单个模板的模式在一个集群或选择最佳模板为每个集群。然而,不幸的是,这些方法一般不显示高性能当模板宽度和形状有很大的差异。在这项研究中,我们采用了归一化法 29日),考虑大模板的宽度和形状差异由于随机选择的模板。有两个优点规范化方法比传统的方法: ( 1 ) 模板选择不当的影响可以通过distance-averaging最小化; ( 2 ) 模板宽度和形状变化不需要考虑。归一化距离(用 D j )之间的 j 测试模式和模板可以计算 (1) D j = ( ∑ 我 = 1 n d 我 j ) n · σ , 在哪里 d 我 j 之间的距离 我 th模板和 j th测试模式, n 模板的数量, σ 是一个规范化的因素,给出 (2) σ = ( ∑ 我 = 1 n ∑ j = 我 + 1 n d 我 j ) { n · ( n - - - - - - 1 ) / 2 } 。

测试模式 T j 如果接受 D j 是一个局部最小值,如果这局部最小值低于一个预定义的阈值。整个过程重复为了达到一个比较公正的20倍。

 2.3。传统的距离度量

因为它通常假定目标模式形状不变,欧几里得距离和相关系数最常用的模板匹配应用程序( 4, 30.]。三个传统距离度量了在这项研究中,这是均方根误差(RMSE)基于欧几里得距离(线性匹配),相关系数和峰态。峰度被认为是在这项研究中,因为它是广泛应用于生物医学数据分析( 31日, 32]。两个信号之间 一个 和 B , l 一个 和 l B 各自的信号长度,距离为每个指标定义如下。

均方根误差: (3) d rmse = 1 l · ∑ k = 1 l { 一个 ( k ) - - - - - - B ( k ) } 2 。

相关: (4) d 相关系数 = ∑ k = 1 l { 一个 ( k ) - - - - - - 一个 - - - - - - } · { B ( k ) - - - - - - B - - - - - - } ∑ k = 1 l { 一个 ( k ) - - - - - - 一个 - - - - - - } 2 · ∑ k = 1 l { B ( k ) - - - - - - B } 2 。

峰度: (5) d ku = | ∑ k = 1 l 一个 { 一个 ( k ) - - - - - - 一个 - - - - - - } 4 l 一个 · σ 一个 4 - - - - - - ∑ k = 1 l B { B ( k ) - - - - - - B - - - - - - } 4 l B · σ B 4 | , 在哪里 一个 ( k ) 和 B ( k ) 表示 k th数据信号 一个 和 B ,分别。注意,RMSE长度和相关计算只有相同的信号。因此,一个共同的变量 l 被用来表示信号长度( 3)和( 4)。

 2.4。动态时间扭曲

尽管DTW前几十年的各种修改,原来的内核模型计算距离仍被广泛应用于许多应用程序。在这项研究中,我们采用DTW的共同实现 19)和经验确定参数斜率约束。两个信号之间的DTW距离被定义为 (6) d dtw = τ ( l 一个 , l B ) , 在哪里 l 一个 和 l B 各自的模板和测试模式长度和 τ ( 我 , j ) 两个subsignals之间的距离吗 { 一个 ( k ) ∣ 1 ≤ k ≤ 我 } 和 { B ( k ) ∣ 1 ≤ k ≤ j } ,定义为 (7) τ ( 我 , j ) = | { 一个 ( 我 ) - - - - - - 一个 ( 1 ) } - - - - - - { B ( j ) - - - - - - B ( 1 ) } | + 最小值 ⁡ c ⁡ { τ ( 我 - - - - - - C 一个 ( c ) , j - - - - - - C B ( c ) ) } , 在哪里 τ ( 1,- 1 ) = 0, C 一个 ( c ) 和 C B ( c ) 是 c th斜率限制轴模式,限制跳过(跳)数据点的数量。 C 一个 B ( c ) 表示 c th一双斜率约束模板和测试模式的轴和可以写成 (8) C 一个 B = { ( 1 , 米 ) , ( 米 , 1 ) ∣ 1 ≤ 米 ≤ 米 } , 在哪里 米 是边坡的最大分支长度约束。注意值调整两种模式的起点是重叠的。

 2.5。动态位置扭曲(法)

法最初提出了准确的量化差异等二维数据对象的轮廓或手写字符,通过搜索相似子序列递归( 27]。数字摄影测量工作站用于一维数据时,距离时间序列信号 一个 和 B 可以写成: (9) d dtw = τ ( l 一个 , l B ) , (10) τ ( 我 , j ) = | { 一个 ( 我 ) - - - - - - 一个 ( 我 上一页 ) } - - - - - - { B ( j ) - - - - - - B ( j 上一页 ) } | + ω ( 我 , j ) , (11) 我 上一页 = 我 - - - - - - C 一个 ( c 最小值 ⁡ ( 我 , j ) ) , (12) j 上一页 = j - - - - - - C B ( c 最小值 ⁡ ( 我 , j ) ) , (13) c 最小值 ⁡ ( 我 , j ) = 参数 最小值 ⁡ c ⁡ { φ ( 我 - - - - - - C 一个 ( c ) , j - - - - - - C B ( c ) ) } , (14) ω ( 我 , j ) = 最小值 ⁡ c ⁡ { φ ( 我 - - - - - - C 一个 ( c ) , j - - - - - - C B ( c ) ) } , 大多数符号是一样的那些用于原始DTW方程(( 6)和( 7))。在这些方程, 我 上一页 和 j 上一页 代表前对应点最小化 τ ( 我 , j ) 。所示( 9)和( 10),形式的方程是相同的传统的DTW方程,除了关于计算两点之间的距离。请注意, 一个 ( 我 上一页 ) 和 B ( j 上一页 ) 是代替 一个 ( 1 ) 和 B ( 1 ) 分别在( 10)。

图 2比较了数字摄影测量工作站的机制和DTW一维数据匹配的应用程序。当两个信号进行比较和点 一个 和 b 作为一对相应的匹配(图 2(一个)),DTW转变开始的子序列 一个 在时间轴上,将搬到同一时间点指数开始的子序列 b (图 2 (b))。这个过程中,表示随着时间的扭曲,使得点之间的距离计算 c 和 d 他们通过将时间轴密切相关。在数字摄影测量工作站的情况下,匹配 一个 和 b 子序列从 一个 扭曲, 一个 重叠到 b 。请注意这子序列扭曲成本(纵轴)的距离在两个点之间 一个 和 b 时间轴上,而扭曲成本是免费的(请参考[ 27数字摄影测量工作站)更多详细描述原始方法)。

图解插图阐明动态时间扭曲和位置扭曲为一维数据匹配:(一)两个信号 α (实线)和 β (虚线)相比,被认为是一对对应点。(b)在DTW时间扭曲: 一个 是扭曲的 一个 ” 按时间发生变化。数字摄影测量工作站(c)位置参数和时间扭曲: 一个 是扭曲的 一个 ′ 重叠到 b 。

 3所示。结果与讨论

接受者操作特征曲线(ROC)被用来比较让表演的各种模板匹配方法中引入部分 2。ROC曲线评价,召回率进行评估对固定利率为每个迭代精度的每个参与者。然后,对于每个精确率,平均召回率在所有迭代和参与者。图 3显示了五个不同的ROC曲线说明检测精度的方法。法显示,调查,所有方法中精度最高的准确度为82%相等的精度和召回率。法精度为10%高于传统的DTW(准确度为72%),甚至高于常规距离度量(RMSE: 49%,相关:34%,峰态:11%)。这些结果说明位置扭曲,被用于二维模式识别问题,也可能是有效的一维模式识别问题。

ROC曲线的五种不同的方法。

RMSE极低精度和相关性可能令人惊讶,考虑到两个距离度量常用的模板匹配应用程序。的糟糕表现发现指标被认为在一定程度上源自高目标模式的形状变化。也有可能,这些表现不好的结果选择任务比典型的任务更加困难。自模板在当前任务选择随机从真实数据集,有很多不规则形状的模板。尽管困难重重,数字摄影测量工作站提出方法显示检测精度远高于DTW方法,数字摄影测量工作站暗示可能被用来作为一个新的和强大的方法提取特定的脑电图信号模式应用程序。

表 1总结了最好的检测精度在20迭代,计算每个参与者。精度计算精度的百分比或召回平等在ROC曲线精度和召回的值。ROC曲线评价时对每个参与者和最佳精度选择20迭代结果中,传统的方法基于相关系数或均方根成果精度比图所示 3。然而,法仍然优于其他指标,排名最高的22 24参与者。数字摄影测量工作站的平均检测精度(96.10%)高于3.62% DTW (92.38%)。

最好的精度(%)对每个参与者的评估结果从20迭代。最好每个参与者是粗体显示的精度值。

对象ID 相关 RMSE 峰度 DTW 法
1 86.96 61.32 22.86 94.97 98.55
2 84.25 90.67 39.46 97.60 98.28
3 49.19 60.83 15.98 77.42 85.27
4 69.02 84.38 15.77 93.65 95.41
5 49.28 73.69 18.45 83.50 92.39
6 26.67 84.44 13.33 90.00 91.55
7 80.72 92.80 30.95 94.64 98.66
8 88.19 92.86 48.00 98.01 100.00
9 62.96 98.77 31.34 98.77 99.38
10 71.83 71.33 17.94 93.57 95.11
11 40.00 86.67 20.71 91.55 100.00
12 61.32 91.74 13.24 93.28 99.26
13 57.48 41.88 15.10 79.21 96.56
14 60.83 78.89 30.19 91.43 97.14
15 63.89 76.07 15.01 94.36 98.65
16 80.63 94.18 34.05 96.84 98.95
17 60.87 54.01 22.79 84.28 80.82
18 40.30 86.38 24.00 97.37 98.72
19 65.01 72.08 18.37 89.81 94.95
20. 17.59 76.67 17.69 93.33 94.94
21 79.20 91.67 22.13 92.51 97.94
22 63.11 41.63 25.10 91.88 96.70
23 65.55 90.23 23.08 100.00 98.08
24 40.99 97.53 20.71 99.17 99.17
平均 61.08 78.78 23.18 92.38 96.10

此外,模板的数量对检测精度的影响进行了研究。检测精度是评价通过增加模板的数量,然后平均迭代和所有参与者(表 2)。结果表明弱模板的数量对检测精度的影响。除了相关精度随着模板数量的增加没有明显变化。相反,数字摄影测量工作站DTW和显著降低的标准差,展示更稳定的可能性模式检测通过使用数字摄影测量工作站DTW和足够数量的模板。

工件检测精度(%)对模板的数量,对平等的精度和召回。

数量的模板 相关 RMSE 峰度 DTW 法
1 49.54 ± 22.45 61.65 ± 28.42 9.65 ± 5.63 77.58 ± 22.44 83.94 ± 23.52
2 34.37 ± 27.54 62.55 ± 25.51 11.74 ± 11.01 68.29 ± 29.59 78.23 ± 30.35
3 28.42 ± 25.93 61.60 ± 25.08 10.20 ± 7.21 76.38 ± 20.47 86.06 ± 17.06
4 27.31 ± 24.58 60.42 ± 25.52 9.88 ± 7.49 75.51 ± 20.07 85.79 ± 16.36
5 23.84 ± 22.28 59.77 ± 24.72 10.77 ± 8.15 74.64 ± 19.79 85.92 ± 16.24
6 24.89 ± 21.47 58.90 ± 25.72 10.47 ± 8.35 77.49 ± 17.44 86.63 ± 15.41
7 25.76 ± 22.91 58.44 ± 25.09 10.37 ± 8.14 76.09 ± 17.64 86.42 ± 15.74
8 25.35 ± 22.23 58.59 ± 25.25 10.85 ± 8.74 76.80 ± 17.32 86.87 ± 14.60
9 24.56 ± 20.88 59.65 ± 24.45 11.08 ± 8.90 77.92 ± 15.12 87.13 ± 14.16
10 24.17 ± 19.33 59.49 ± 25.37 10.69 ± 9.17 78.68 ± 15.35 86.54 ± 15.25
4所示。结论

在本文中,我们研究了数字摄影测量工作站是否,最初开发的二维模式识别,可以成功地用于一维模式识别。数字摄影测量工作站来验证我们的备择假设为一维数据分析是有效的,法应用于脑电图的问题但工件检测。包括DTW法优于传统的模板匹配方法,证明这个位置变形方法,它扭曲信号纵坐标和横坐标轴,在一维模式识别也有效。这项研究表明数字摄影测量工作站应用的可能性,许多其他类型的信号模式和应用程序。我们也计划在未来将法与其他方法相结合研究。

 利益冲突

作者宣称没有利益冲突有关的出版。

 确认

这部分工作是支持研发项目MSIP / KEIT (KI10045461,文化内容的评估技术的发展基于实时Biosignal多个学科),部分的研发项目MOTIE / MISP KEIT(10045452,开发多通道脑机接口系统的基于用户意图识别),并在部分韩国国家研究基金会(NRF)由科技部,ICT和未来规划(NRF - 2012 r1a2a2a03045395)。

 Goshtasby 一个。 在旋转图像模板匹配 IEEE模式分析与机器智能 1985年 7 3 338年 344年 2 - s2.0 - 0022060069 弗兰克 J。 Mannor 年代。 Pineau J。 Precup D。 时间序列分析使用几何模板匹配 IEEE模式分析与机器智能 2013年 35 3 740年 754年 10.1109 / TPAMI.2012.121 Omachi 年代。 Omachi M。 拥有多项式的快速模板匹配 IEEE图像处理 2007年 16 8 2139年 2149年 2 - s2.0 - 34547766973 10.1109 / TIP.2007.901243 陈 黄永发。 陈 c。 陈 Y.-S。 快速算法与M-estimators健壮的模板匹配 IEEE信号处理 2003年 51 1 230年 243年 2 - s2.0 - 0037230219 10.1109 / TSP.2002.806551 彭 K。 陈 l 阮 年代。 Kukharev G。 一个健壮的灰色强度脸上眼睛检测算法没有眼镜 计算机科学与技术杂志》上 2005年 5 3 127年 132年 瓦格纳 R。 Galiana h·L。 评价三个眼睛的注册图像模板匹配算法 IEEE生物医学工程 1992年 39 12 1313年 1319年 2 - s2.0 - 0026987952 10.1109/10.184709 林 Z。 戴维斯 l S。 通过分层匹配零件范本Shape-based人类检测和分割 IEEE模式分析与机器智能 2010年 32 4 604年 618年 2 - s2.0 - 77649270941 10.1109 / TPAMI.2009.204 傅 苏耿赋。 钟 F.-L。 陆 R。 Ng C.-M。 股票时间序列模式匹配:基于模板和基于规则的方法 人工智能技术的工程应用 2007年 20. 3 347年 364年 2 - s2.0 - 33847638492 10.1016 / j.engappai.2006.07.003 康奈尔大学 s D。 耆那教徒的 答:K。 基于模板的在线字符识别 模式识别 2001年 34 1 1 14 2 - s2.0 - 0035196640 10.1016 / s0031 - 3203 (99) 00197 - 1 ZBL0970.68756 Faundez-Zanuy M。 基于VQ-DTW在线签名识别 模式识别 2007年 40 3 981年 992年 2 - s2.0 - 33750578741 10.1016 / j.patcog.2006.06.007 ZBL1119.68172 李 Y。 马 Z。 陆 W。 李 Y。 工件自动切除眨眼从脑电图使用ica)模板匹配方法 生理测量 2006年 27 4 425年 436年 2 - s2.0 - 33645004119 10.1088 / 0967 - 3334/27/4/008 Aarabi 一个。 齐米。 K。 水鸟 R。 穆贾达姆 h·A。 Wallois F。 检测新生儿脑电图瞬变的和年长的孩子使用基于动态时间扭曲的系统模板匹配和偶极子空间聚类 科学杂志 2009年 48 1 50 62年 2 - s2.0 - 67949091007 10.1016 / j.neuroimage.2009.06.057 Olejarczyk E。 他是这家 一个。 Zmyslowski W。 Sobieszek 一个。 Marciniak R。 Byrczek T。 Jalowiecki P。 本 T。 自动检测和分析EEG大幅波慢波模式诱发的氟化吸入麻醉剂 临床神经生理学 2012年 123年 8 1512年 1522年 2 - s2.0 - 84856246086 10.1016 / j.clinph.2011.12.017 诺兰 H。 惠兰 R。 赖利 r B。 快:完全自动化统计阈值对脑电图工件被拒绝 神经科学杂志》上的方法 2010年 192年 1 152年 162年 2 - s2.0 - 77956226026 10.1016 / j.jneumeth.2010.07.015 Delorme 一个。 Sejnowski T。 Makeig 年代。 使用高阶增强检测工件的脑电图数据统计和独立分量分析 科学杂志 2007年 34 4 1443年 1449年 2 - s2.0 - 33846629898 10.1016 / j.neuroimage.2006.11.004 卡米尔 t。 卡米尔 k P。 法夫里 s G。 自动检测纺锤波和K-complexes睡眠脑电图使用切换多个模型 生物医学信号处理和控制 2014年 10 117年 127年 10.1016 / j.bspc.2014.01.010 王 G。 Worrell G。 杨 l Wilke C。 他 B。 发作高峰高密度部分癫痫患者脑电图的分析 临床神经生理学 2011年 122年 6 1098年 1105年 2 - s2.0 - 79956367451 10.1016 / j.clinph.2010.10.043 奥尔德里奇 m . S。 Garofalo 大肠。 特鲁里街 我。 在睡眠期间Rett综合症的癫痫样的异常 脑电图与临床神经生理学 1990年 75年 5 365年 370年 2 - s2.0 - 0025220143 10.1016 / 0013 - 4694 (90)90081 - t 拉宾 l Juang b . H。 语音识别原理 1993年 纽约,纽约,美国 普伦蒂斯霍尔 迈尔斯 C。 拉宾 l R。 罗森博格 答:E。 完全自动化统计阈值为脑电图工件被拒绝 IEEE声学,演讲,和信号处理 1980年 Alajlan N。 El土包子 我。 卡迈勒 m . S。 弗里曼 G。 和动态空间扭曲形状检索使用三角形区域表示 模式识别 2007年 40 7 1911年 1920年 2 - s2.0 - 33947701106 10.1016 / j.patcog.2006.12.005 ZBL1120.68046 Sahbi H。 Boujemaa N。 Tistarelli M。 Bigun J。 耆那教徒的 答:K。 使用动态空间扭曲的人脸识别 生物特征身份验证 2002年 2359年 施普林格 121年 132年 在计算机科学的课堂讲稿 10.1007 / 3 - 540 - 47917 - 1 - _13 ZBL1046.68894 冯 H。 哇 C . C。 在线签名验证使用新的极端点变形技术 模式识别的字母 2003年 24 16 2943年 2951年 2 - s2.0 - 0142088895 10.1016 / s0167 - 8655 (03) 00155 - 7 宋 Y.-S。 宋 m·K。 Omitaomu o . A。 加权动态时间扭曲时间序列分类 模式识别 2011年 44 9 2231年 2240年 2 - s2.0 - 79957533818 10.1016 / j.patcog.2010.09.022 Raghavendra b S。 贝拉 D。 Bopardikar 答:S。 Narayanan R。 心律失常心电图检测使用动态时间扭曲的节拍e-healthcare系统 诉讼IEEE国际研讨会的一个无线的世界里,移动和多媒体网络(WoWMoM 11) 2011年6月 1 6 2 - s2.0 - 80052774168 10.1109 / WoWMoM.2011.5986196 Parizeau M。 Plamondon R。 区域相关比较分析,动态时间扭曲,骨架树匹配签名验证 IEEE模式分析与机器智能 1990年 12 7 710年 716年 2 - s2.0 - 0025462743 10.1109/34.56215 常 W.-D。 胫骨 J。 在线动态位置扭曲:动态时间扭曲笔迹 模式识别与人工智能》国际期刊上 2009年 23 5 967年 986年 2 - s2.0 - 69249152272 10.1142 / S0218001409007454 黄 H.-C。 詹森 b . H。 脑电图波形分析的动态时间扭曲 生物医学计算的国际期刊 1985年 17 2 135年 144年 2 - s2.0 - 0021829284 10.1016 / 0020 - 7101 (85)90084 - 4 常 W.-D。c·w·D。 胫骨 J·s·J。 法的方法随机伪造问题的在线手写签名验证 1 诉讼的第四届国际会议在网络计算和高级信息管理(不合格品08年) 2008年9月 347年 352年 2 - s2.0 - 57849164609 10.1109 / NCM.2008.118 金 年代。 McNames J。 自动峰值检测的基于自适应模板匹配细胞外神经录音 神经科学杂志》上的方法 2007年 165年 2 165年 174年 2 - s2.0 - 34547699316 10.1016 / j.jneumeth.2007.05.033 秋山 T。 Osada M。 Isowa M。 去 c . Y。 人选 一个。 艾略特 i M。 秋山 M。 卡特大镰刀刀柄 O。 Rutka j . T。 德雷克 j . M。 Otsubo H。 高峰度ictogenicity颅内脑电图作为标记的小儿癫痫手术 临床神经生理学 2012年 123年 1 93年 99年 2 - s2.0 - 84655163903 10.1016 / j.clinph.2011.05.026 Canuet l 石井 R。 Iwase M。 Kurimoto R。 Ikezawa K。 Azechi M。 Wataya-Kaneda M。 武田 M。 MEG-SAM峰度分析结节性硬化症的致癫痫的块茎的定位:一个案例报告 国际大会系列 2007年 1300年 653年 656年 2 - s2.0 - 34250002612 10.1016 / j.ics.2007.02.015