Personalized diagnosis and therapy requires monitoring patient activity using various body sensors. Sensor data generated during personalized exercises or tasks may be too specific or inadequate to be evaluated using supervised methods such as classification. We propose multidimensional motif (MDM) discovery as a means for patient activity monitoring, since such motifs can capture repeating patterns across multiple dimensions of the data, and can serve as conformance indicators. Previous studies pertaining to mining MDMs have proposed approaches that lack the capability of concurrently processing multiple dimensions, thus limiting their utility in online scenarios. In this paper, we propose an efficient real-time approach to MDM discovery in body sensor generated time series data for monitoring performance of patients during therapy. We present two alternative models for MDMs based on motif co-occurrences and temporal ordering among motifs across multiple dimensions, with detailed formulation of the concepts proposed. The proposed method uses an efficient hashing based record to enable speedy update and retrieval of motif sets, and identification of MDMs. Performance evaluation using synthetic and real body sensor data in unsupervised motif discovery tasks shows that the approach is effective for 1) concurrent processing of multidimensional time series information suitable for real-time applications, 2) finding unknown naturally occurring patterns with minimal delay, and 3) tracking similarities among repetitions, possibly during therapy sessions.

中文翻译：

---

为个性化医疗发现生理信号中的多维基元

个性化诊断和治疗需要使用各种身体传感器监测患者活动。在个性化练习或任务期间生成的传感器数据可能过于具体或不足，无法使用分类等监督方法进行评估。我们建议多维基序 (MDM) 发现作为患者活动监测的一种手段，因为此类基序可以捕获跨数据多个维度的重复模式，并且可以用作一致性指标。先前有关挖掘 MDM 的研究提出了缺乏同时处理多个维度的能力的方法，从而限制了它们在在线场景中的实用性。在本文中，我们提出了一种在身体传感器生成的时间序列数据中发现 MDM 的有效实时方法，用于监测患者在治疗期间的表现。我们提出了两种基于模体共现和多维模体之间时间排序的 MDM 替代模型，并详细阐述了所提出的概念。所提出的方法使用基于有效散列的记录来实现主题集的快速更新和检索以及 MDM 的识别。在无监督的主题发现任务中使用合成和真实身体传感器数据的性能评估表明，该方法对于 1) 适用于实时应用的多维时间序列信息的并发处理，2) 以最小的延迟找到未知的自然发生的模式，以及 3 ) 跟踪重复之间的相似性，可能是在治疗期间。详细阐述了所提出的概念。所提出的方法使用基于有效散列的记录来实现主题集的快速更新和检索以及 MDM 的识别。在无监督的主题发现任务中使用合成和真实身体传感器数据的性能评估表明，该方法对于 1) 适用于实时应用的多维时间序列信息的并发处理，2) 以最小的延迟找到未知的自然发生的模式，以及 3 ) 跟踪重复之间的相似性，可能是在治疗期间。详细阐述了所提出的概念。所提出的方法使用基于有效散列的记录来实现主题集的快速更新和检索以及 MDM 的识别。在无监督的主题发现任务中使用合成和真实身体传感器数据的性能评估表明，该方法对于 1) 适用于实时应用的多维时间序列信息的并发处理，2) 以最小的延迟找到未知的自然发生的模式，以及 3 ) 跟踪重复之间的相似性，可能是在治疗期间。