tidsigenkänning

Tidsigenkänning är ett tvärvetenskapligt begrepp som beskriver processen att identifiera tidsrelaterade mönster, händelser och deras varaktighet i dataflöden eller signaler. Begreppet används inom tidsseriedata, signal- och ljudbehandling, videanalys och kognitiv forskning, där målet är att fastställa när en händelse inträffar och hur länge den varar. Tidsigenkänning kan också innefatta segmentering av data i meningsfulla intervall och att koppla händelser över olika källor.

Metoderna spänner över traditionella statistiska tekniker och modern maskininlärning. Kända klassiska metoder inkluderar förändringspunktsdetektion och dynamic time warping (DTW) för jämförelse av tidsserier med ojämlik hastighet, samt osäkerhetsmodeller såsom dolda Markov-modeller. Moderna arbetssätt utnyttjar deep learning och sekvensmodeller som LSTM, GRU och transformerbaserade arkitekturer för att fånga långsiktiga beroenden och sammanhang i tidsdata.

Tillämpningar finns inom tal- och musikigenkänning, där man detekterar ord, fonemer eller takt, inom gest- och aktivitetigenkänning i video samt inom medicinsk signalbehandling av EKG- och EEG-signaler för att hitta händelser av klinisk betydelse.

Utmaningar inkluderar variation i hur länge händelser varar, oregelbunden sampling, brus och saknade datapunkter samt förändringar i underliggande processer. Utvärdering bedöms vanligen med precision och recall för händelsdetektion, samt temporala mått som tidsmässig IoU och F1-score.