Abstract: P. L. Indrasiri, B. Kashyap, P. N. Pathirana (2025)

Convolutional neural networks (CNNs) are often favored for their strong learning abilities in tackling automatic intelligent models. The classification of time series data streams spans across many applications of intelligent systems. However, the scarcity of effective Machine Learning architectures to handle limited time-series data adversely affects the realization of some crucial applications. In particular, healthcare-related applications are inherently concerned with limited time series datasets. Indeed, building effective artificial intelligence (AI) models for rare diseases using conventional techniques can pose a significant challenge. Utilizing recent advances in deep learning and signal processing techniques, this study introduces a new ensemble deep learning (DL) approach for time series categorization in the presence of limited datasets. Physiological data, such as ECG and voice, are used to demonstrate the functionality of the proposed DL architecture with data obtained from IoT and non-IoT devices. The proposed framework comprises a self-designed deep CNN-LSTM along with ResNet50 and MobileNet transfer learning approaches. The CNN-LSTM architecture includes an enhanced squeeze and excitation block that improves overall performance.This architecture processes time series data transformed into a 3-Channel image structure via improved recurrence plot (RP), Gramian angular field (GAF), and fuzzy recurrence plot (FRP) methods. The proposed model demonstrated superior classification accuracy on the ECG5000 and TESS datasets compared to other state-of-the-art techniques, validating its efficacy for binary and multiclass classification.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Image encoded time series classification of small datasets: an innovative architecture using deep learning ensembles