Enhanced automatic feature extraction in heterogeneous biomedical time series for optimization of clinical monitoring and diagnosis

Farhadi Ghalati, Pejman; Schuppert, Andreas; Steinseifer, Ulrich

doi:10.18154/RWTH-2026-00736

Enhanced automatic feature extraction in heterogeneous biomedical time series for optimization of clinical monitoring and diagnosis = Erweiterte automatische Merkmalsextraktion in heterogenen biomedizinischen Zeitreihen zur Optimierung des klinischen Monitorings und der Diagnose

Farhadi Ghalati, Pejman^RWTH*

2025 & 2026

Verantwortlichkeitsangabevorgelegt von Pejman Farhadi Ghalati

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2026

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Schuppert, Andreas (Thesis advisor)^RWTH* ; Steinseifer, Ulrich (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-10-17

Online
DOI: 10.18154/RWTH-2026-00736
URL: https://publications.rwth-aachen.de/record/1026205/files/1026205.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
computational medicine (frei) ; feature engineering (frei) ; machine learning (frei) ; time series (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die Verfügbarkeit von Echtzeit-Datenerfassung hat in den letzten Jahren aufgrund von Fortschritten in Sensor-, Übertragungs- und Speichertechnologien erheblich zugenommen. Dies führte zur Erhebung umfangreicher Datensätze in unterschiedlichen Bereichen wie Ingenieurwesen, Medizin, Natur- und Sozialwissenschaften. Im Gesundheitswesen ist die Erfassung dynamischer Überwachungsdaten zu einem zentralen Element für Gesundheitsdiagnosen, Therapien und proaktives Gesundheitsmonitoring geworden. Das Aufkommen tragbarer Technologien und Überwachungssysteme hat neue Möglichkeiten eröffnet, komplexe dynamische Prozesse anhand von Längsschnittdaten besser zu verstehen und Einblicke in den Gesundheitszustand sowie das Wohlbefinden Einzelner zu gewinnen. Es ist jedoch zu beachten, dass Probleme bei der Datenqualität die zeitliche Datenanalyse erheblich beeinflussen können. Darüber hinaus unterscheiden sich die erforderlichen Analysestrategien für Überwachungsdaten je nach Einsatzgebiet stark: Sie reichen von der Beobachtung weniger Parameter mit hohen Abtastraten bis hin zur Überwachung mehrerer Parameter über längere Zeiträume bei niedrigen Abtastraten. Ein Ansatz zur Verbesserung solcher Datenanalysen besteht darin, die Daten in Form von Merkmalen darzustellen. Dies erhöht die Interoperabilität der Ergebnisse sowohl für statistische Verfahren als auch für Methoden des maschinellen Lernens. Diese Dissertation untersucht das domänenspezifische Feature-Engineering für die Analyse von Zeitreihendaten im Überwachungskontext anhand eines Python-Pakets. Dieses Paket wurde entwickelt, um eine robuste und systematische Plattform für zeitliche Datenanalysen bereitzustellen. Es umfasst funktionale Elemente von der Dateneinlesung über die Rauschunterdrückung bis hin zur Merkmalsextraktion. Dank seiner modularen Architektur kann es für vielfältige Anwendungen genutzt und um benutzerdefinierte Komponenten erweitert werden. Die Ergebnisse dieser Arbeit demonstrieren die Fähigkeit zur Abstraktion zeitlicher Daten mithilfe eines methodischen Schemas zur Merkmalsextraktion. Der entwickelte Workflow bietet eine robuste und benutzerfreundliche Architektur, um Zeitreihenanalysen effizient durchzuführen.

The prevalence of real-time data acquisition has increased significantly in recent years due to advancements in sensors, transmission, and storage technologies. This has led to the collection of large datasets in various fields, including engineering, medical, physical, and social sciences. In healthcare, dynamic monitoring data has become a crucial aspect for health diagnosis, treatment, and proactive health tracking. The emergence of wearable technology and monitoring systems has provided new avenues for understanding complex dynamic processes through longitudinal data, providing insight into an individual's health and comfort. However, it is important to note that data quality issues can significantly impact temporal data analysis. Additionally, the analysis strategies required for monitoring data vary greatly between monitoring a few parameters at high sampling rates and monitoring several parameters over extended periods at low sampling frequencies. One approach for improving such data analysis is to represent the data as features, enhancing the interoperability of outcomes from statistical and machine learning analyses. This thesis explores the domain knowledge feature engineering of monitoring time series data through a Python package, developed to provide a robust and systematic temporal data analysis platform. The package includes functional elements ranging from data reading to denoising and feature extraction, and its modular design allows for diverse applications and the incorporation of user-defined components. The findings of this thesis demonstrate the capability of temporal data abstraction using a methodical feature extraction scheme. The developed workflow provides a robust and user-friendly architecture for conducting time series analysis.

OpenAccess:
PDF
(zusätzliche Dateien)