无监督时间序列分割算法的数据集划分策略咨询

核心原则 #

无监督时间序列分割的数据集划分，核心要保证训练集能覆盖数据的主要变异模式，同时测试集完全独立于训练过程，绝对避免数据泄露。

两种候选方案的优劣分析 #

方案1：基于患者的分层抽样划分 #

• 优势：彻底规避数据泄露（不同患者的ECG周期分布相互独立），贴合真实临床场景（模型在未知患者数据上的泛化能力）；通过分层抽样（按年龄、性别、疾病类型）能确保训练集覆盖不同人群的ECG变异，让无监督算法学到更通用的周期分割模式。
• 注意事项：若LUDB数据集的人口统计学标注不全，可先对所有患者的ECG周期做形态聚类，再从每个簇中按比例抽取患者，保证训练集的分布代表性。
• 常用比例：通常按7:3或8:2划分训练/测试患者，确保训练集有足够样本覆盖各类变异。

方案2：单条记录内按周期拆分 #

• 优势：能保留同患者内的周期变异（如同一人不同时刻的ECG周期波动），可用于测试模型在个体内的分割稳定性。
• 劣势：存在明显数据泄露风险——同患者的前后ECG周期存在时序相关性，无监督算法可能学到个体特异性模式，而非通用的ECG周期分割规则，导致测试结果高估模型泛化能力；若10秒记录内存在心率漂移，前/后拆分还会造成训练、测试集的分布不一致。

推荐的改进混合策略 #

如果要兼顾模型泛化性测试与个体内稳定性验证，可采用以下混合方案：

1. 先按患者分层抽样划分训练患者组和测试患者组（比如70%患者归入训练组）；
2. 训练组患者的所有ECG周期用于无监督模型的调参；
3. 测试组患者的记录中，随机抽取部分周期作为调参验证，剩余周期作为最终测试——注意避免连续拆分，防止时序相关性泄露。

学术研究中的通用做法 #

• 在无监督ECG分割领域，按患者独立划分是主流策略，相关研究论文中会直接将患者分为训练、测试集，确保模型从未接触过测试患者的任何数据，以此评估真实泛化能力。
• 针对时间序列分割的通用方法，《Time Series Segmentation: A Survey》明确提到，无监督任务优先保证训练集的分布代表性，推荐基于实体（如患者）的分层抽样，避免时序拆分带来的数据泄露问题。

内容的提问来源于stack exchange，提问作者Arjun Chaudhary