时间序列分类：从波形识别模式

可视化演示

时序分类概述

小王看着手里的心电图直发愁。李老师指着纸上的波浪线说：「这条线不是一条简单的线，它是心脏每一次跳动在时间轴上的『脚印』。你的任务，就是根据这串脚印判断它属于正常人还是心脏病患者。」小王恍然大悟：原来所谓时间序列，就是一串按固定时间间隔记录下来的观测值；而时间序列分类，就是把这串脚印归到预设的类别里——正常或者异常。

从技术角度看，分类问题的关键在于需要一个「判官」：输入一段波形，输出一个类别。这个判官在数学上就是一个函数 f，它把整条序列压缩成一个标签。与普通表格不同，这里的输入有严格的时间顺序——把心电图的前后两段调换，它就不再是原来的心电图了。

具体地，一条时间序列可以写成 X = (x₁, x₂, …, x_T)，每个 x_t 是第 t 个时刻的观测值。分类任务则是找到函数 f，把 X 映射到类别 y。在医疗场景中，X 是心电图信号，y 来自「正常/异常」两个类别；在手势识别场景中，X 是加速度计的三轴读数，y 是「挥手/翻转/点击」。只要数据带时间顺序、标签事先定好，问题就是时间序列分类。

小王在急诊室开始整理病例：手边有心电图、血氧仪曲线、体温曲线。李老师提醒他：「这些波形虽然来源不同，但方法论是相通的——先分类，再诊断。」小王终于明白，时间序列分类是所有波形分析的第一步。

特征工程提取

李老师让小王把正常和异常的心电图各挑十张，问：「你能用几个数字概括它们的区别吗？」小王看了看，说：「正常的心跳快慢差不多、波形高度稳定；异常的忽快忽慢、忽高忽低。」李老师点头：「这不就找到特征了！」所谓特征工程，就是把波形压缩成几个有判别力的数字，就像用身高体重描述一个人，而不是画出他的完整轮廓。

这些数字有明确的医学含义：均值对应平均心率水平，方差对应心律的稳定程度，偏度与峰度描述波形是否对称、是否尖锐。对于工业振动信号，波形的主要频率成分往往是故障的标志，这时要把信号从时间域变换到频率域，看看能量集中在哪些频段。

最常用的三类特征是：统计特征，描述波形的整体分布，如均值、方差、偏度；频域特征，通过傅里叶变换揭示波形的主要节奏；形状特征，关注波峰、波谷的位置与幅值。在提取这些特征之前，通常还要做标准化（z-score 或归一化），让不同幅度的波形站在同一起跑线上，避免幅值大的样本主导距离计算。

小王把特征提取后的表格交给李老师，李老师看了一眼：「你把波形变成了数字，这就是波形识别的第一步。」小王心想，原来医生扫一眼心电图，脑中早已完成了特征提取。

动态时间规整

小王遇到一对难题：两张心电图形态很相似，但一张心跳快、一张心跳慢，逐点对比怎么都对不上。李老师拿出一张透明纸，把快的心电图纵向「压扁」、慢的「拉长」，让两个波峰的位置大致对齐：「先对齐再比，就像比对两个速度不同的人跑同一条赛道——我们比的是跑姿，不是比时间。」

这就是动态时间规整（DTW）的核心思想：允许时间轴发生非线性伸缩，找到让两段波形整体最相似的对应方式。这里的「规整」二字，意思就是把时间轴掰弯、拉直，让两张图的关键点尽量对齐。它不要求两段序列等长，心跳快慢不一的波形也能公平比较。

计算方法是用动态规划填一张 T×T 的代价表。D(i,j) 表示序列前 i 个点与前 j 个点的最小累积距离。递推时只能向右、向下或斜对角前进，保证时间顺序不倒退；每一步都在三个方向里选代价最小的路径，最终得到的 D(T,T) 就是两段波形对齐后的总差异。把 DTW 距离放进最近邻分类器，就构成经典的 DTW+1NN 分类器——这也是许多时序分类问题的强基线。

小王用透明纸对齐了两张心电图，发现它们几乎完全重合：「原来它们只是心跳快慢不同，本质是同一类波形！」他意识到，DTW 能化解时序分析里最让人头疼的「错位」问题。

距离度量对比

小王问：「既然 DTW 这么强，为什么还要学欧氏距离？」李老师把两张心电图纸叠在一起，上下一一对应划竖线：「如果两个人同时开始、同样的时长、节奏一致，直接逐点比就行，这就是欧氏距离；可一旦节奏错开，这种『对表』就失灵了。」说完他又展示了 DTW 那套可以拉伸的对齐路径：「所以选择距离度量，取决于数据是否对齐。」

欧氏距离公式简洁、计算飞快，但它默认两序列等长且逐点对应。时序数据一旦出现时间偏移——同一个特征早出现几拍或晚出现几拍——欧氏距离就会把这些错位误判为巨大差异。DTW 虽然灵活，但代价不小：填一张 m×n 的代价表，时间和空间复杂度都是 O(mn)，序列一长就非常吃力。

工程上常用的加速技巧是「下界剪枝」，比如 LB_Keogh：先快速算出一个距离下限，如果这个下限已经超过当前最好的成绩，就直接跳过这个候选，不必计算完整 DTW。这样一来，两万条候选序列里真正需要跑完整 DTW 的往往只剩几十条，速度提升非常明显。

这张对比让小王明白：没有「最好」的距离度量，只有「最合适」的。快节奏的初筛场景用欧氏距离加特征；慢节奏、要求高的场景才动用 DTW，并配合剪枝加速。

深度学习分类

李老师带小王参观隔壁 AI 实验室，指着屏幕上训练的模型说：「这位『AI 见习医生』没见过心电图教材，只是看了上万张心电图和答案，自己琢磨出了怎么看波形。」小王惊讶：「它不需要人工提取特征吗？」「不需要——卷积核就像它的『眼睛』，在波形上滑动，自动捕捉高尖的 R 波、缺失的 P 波。」

深度学习方法让特征提取与分类一步到位。它不再需要人先手工设计均值、方差或频域特征，而是直接从原始波形中学习判别信息。对数据量充足的场景，深度模型往往能超过手工特征 + DTW 的组合，因为它能学出人想不到的隐藏模式。

一维 CNN 用卷积核在时间轴上滑动，逐层提取从局部到全局的模式；RNN/LSTM 则擅长建模长程依赖，记住前面几拍的心跳来预测当前状态；编码器-分类器结构先把波形压缩成低维向量，再做判别。当自己的数据不够时，还能用迁移学习把其他任务学到的特征搬过来，用少量数据微调即可。

小王看着屏幕上自动浮现的高亮区域——模型自己找到了 QRS 段。「原来经验直觉，本质上就是见多识广后的模式总结。」他不禁感叹。

评估调优部署

出科考试那天，李老师给小王准备了三个文件夹：训练题、模拟题、真题。「做完训练题还要做模拟题，最后才做真题。用真题调答案，考试就失去意义了。」小王按顺序做完三套题，李老师又问他：「你只答对了 95 道题，但漏掉了 3 个危重病人，你觉得你合格吗？」小王愣住了。

这揭示了评估时间序列分类的三条要点。第一，数据切分要按时间顺序：先训练后测试，绝不能让未来的信息提前泄露到训练集中。第二，指标不能只看准确率：当异常样本很少时，模型把一切都判成正常也能拿到很高的准确率，但它完全没用。对「漏诊」敏感的场景要重点看召回率，综合看 F1。第三，调参要用验证集：在验证集上对比候选模型，选定后再到测试集上做最终评估，避免「调参调到了测试集上」。

医疗场景的实际做法往往是对比多个候选：DTW+1NN、统计特征+随机森林、一维 CNN 或 LSTM。先按时间顺序切分好数据，在验证集上反复调整超参数，最后用测试集统一评分。这样选出的模型既不会过拟合训练集，也不会「作弊」偷看未来。

最终，小王交出的模型在测试集上既保持了高召回率，又维持了合理准确率。李老师在考核表上写下「合格」两个字。小王看着屏幕上跳动的波形，终于明白了老师第一天说的那句话：看波形，其实是在读数据讲述的故事。

AI 应用场景

Python 演示

import mathimport random  def make_wave(seed, abnormal=False, n=60):    """生成一段带噪声的模拟心电波形。"""    rnd = random.Random(seed)    base = [0.05 * math.sin(2 * math.pi * 2 * i / n) for i in range(n)]    wave = []    for i, v in enumerate(base):        v += rnd.uniform(-0.08, 0.08)        if abnormal:            v += 0.30 * math.exp(-((i - n * 0.40) / (n * 0.02)) ** 2)            v += 0.08 * math.sin(2 * math.pi * 8 * i / n)        else:            v += 0.18 * math.exp(-((i - n * 0.50) / (n * 0.02)) ** 2)        wave.append(v)    return wave  def dtw_dist(a, b):    """计算两个序列的动态时间规整距离。"""    m, n = len(a), len(b)    d = [[float('inf')] * (n + 1) for _ in range(m + 1)]    d[0][0] = 0.0    for i in range(1, m + 1):        for j in range(1, n + 1):            cost = (a[i - 1] - b[j - 1]) ** 2            d[i][j] = cost + min(d[i - 1][j], d[i][j - 1], d[i - 1][j - 1])    return math.sqrt(d[m][n])  def knn_predict(train, train_y, query):    """用 DTW 距离做最近邻分类。"""    best_dist, best_label = float('inf'), None    for q, y in zip(train, train_y):        dist = dtw_dist(q, query)        if dist < best_dist:            best_dist, best_label = dist, y    return best_label  def main():    train, train_y = [], []    for i in range(20):        train.append(make_wave(i, abnormal=False))        train_y.append(0)    for i in range(20):        train.append(make_wave(i + 100, abnormal=True))        train_y.append(1)     test, test_y = [], []    for i in range(5):        test.append(make_wave(i + 50, abnormal=False))        test_y.append(0)    for i in range(5):        test.append(make_wave(i + 200, abnormal=True))        test_y.append(1)     correct = 0    for query, true in zip(test, test_y):        pred = knn_predict(train, train_y, query)        correct += (pred == true)    print("DTW + 1NN 准确率: {:.1f}%".format(100 * correct / len(test)))  if __name__ == "__main__":    main()

1. rnd = random.Random(seed)用固定种子生成可重复的模拟波形，保证实验结果可复现。
2. if abnormal: v += 0.30 * math.exp(...)给异常波形叠加一个高尖峰，模拟心电图中「高尖 R 波」的特征。
3. d = [[float('inf')] * (n + 1) for _ in range(m + 1)]初始化代价表，无穷大表示不可达边界。
4. d[i][j] = cost + min(d[i - 1][j], d[i][j - 1], d[i - 1][j - 1])DTW 动态规划递推核心，取三个方向最小累计代价。
5. dist = dtw_dist(q, query)用 DTW 距离衡量两个波形之间的相似度。
6. if dist < best_dist: best_dist, best_label = dist, y找到当前最近的训练样本，用它的类别作为预测结果。
7. correct += (pred == true)统计预测正确的次数，用于计算最终准确率。

常见误区

面试题