abstract: In recent years, there are increasing numbers of applications that use multi-variate time series data where multiple uni-variate time series coexist. However, there is a lack of systematic of multi-variate time series. This thesis focuses on (a) defining a simplified inter-related multi-variate time series (IMTS) model and (b) developing robust multi-variate temporal (RMT) feature extraction algorithm that can be used for locating, filtering, and describing salient features in multi-variate time series data sets. The proposed RMT feature can also be used for supporting multiple analysis tasks, such as visualization, segmentation, and searching / retrieving based on multi-variate time series similarities. Experiments confirm that the proposed feature extraction algorithm is highly efficient and effective in identifying robust multi-scale temporal features of multi-variate time series. / Dissertation/Thesis / M.S. Computer Science 2013

In the medtech industry models of the cardiiovascular systems and simulations are valuable tools for the development of new products ad therapies. The simulator Aplysia has been developed over several decade and is able to replicate a wide range of phenomena involved in the physiology and pathophysiology of breathing and circulation. Aplysia is also able to simulate the hemodynamics phenomena starting from a set of patient model parameters enhancing the idea of a "digital twin", i.e. a patient-specific representative simulation. Having a good starting estimate of the patient model parameters is a crucial aspect to start the simulation. A first estimate can be given by looking at patient monitoring data but medical expertise is required. The goal of this thesis is to address the parameter estimation task by developing machine learning and deep learning model to give an estimate of the patient model parameter starting from a set of time-varying data that we will refers as state variables. Those state variables are descriptive of a specific patient and for our project we will generate them through Aplysia starting from the simulation presets already available in the framework. Those presets simulates different physiologies, from healthy cases to different cardiovascular diseases. The thesis propose a comparison between a machine learning pipeline and more complex deep learning architecture to simultaneously predicting all the model parameters. This task is referred as Multi Target Regression (MTR) so the performances will be assessed in terms of MTR performance metrics. The results shows that a gradient boosting regressor with a regressor-stacking approach achieve overall good performances, still it shows some lack of performances on some target model parameters. The deep learning architectures did not produced any valuable results because of the amount of our data: to deploy deep architectures such as ResNet or more complex Convolutional Neural Network (CNN) we need more simulations then the one that were done for this thesis work. / Simulatorn Aplysia har under flera decennier utvecklats för forskning och FoU inom området kardiovaskulära systemmodeller och simuleringar och kan idag replikera ett brett spektrum av fenomen involverade i andningens och cirkulationens fysiologi och patofysiologi. Aplysia kan också simulera hemodynamiska fenomen med utgångspunkt från en uppsättning patientmodellparametrar och detta förstärker idén om en digital tvilling", det vill säga en patientspecifik representativ simulering. Att ha en bra startuppskattning av patientmodellens parametrar är en avgörande aspekt för att starta simuleringen. En första uppskattning kan ges genom att titta på patientövervakningsdata men medicinsk expertis krävs för tolkningen av sådana data. Målet med denna mastersuppsats är att addressera parameteruppskattningsuppgiften genom att utveckla maskininlärnings-och djupinlärningsmodeller för att erhålla en uppskattning av patientmodellparametrar utgående från en uppsättning tidsvarierande data som vi kommer att referera till som tillståndsvariabler. Dessa tillståndsvariabler är beskrivande för en specifik patient och för vårt projekt kommer vi att generera dem med hjälp av Aplysia med utgångspunkt från de modellförinställningar som redan finns tillgängliga i ramverket. Dessa förinställningar simulerar olika fysiologier, från friska fall till olika hjärt-kärlsjukdomar. Uppsatsen presenterar en jämförelse mellan en maskininlärningspipeline och en mer komplex djupinlärningsarkitektur för att samtidigt förutsäga alla modellparametrar. Denna uppgift bygger på MTR så resulterande prestanda kommer att bedömas i termer av MTR prestationsmått. Resultaten visar att en gradientförstärkande regressor med en regressor-stacking-metod uppnår överlag goda resultat, ändå visar den en viss brist på prestanda på vissa målmodellparametrar. Deep learning-arkitekturerna gav inga värdefulla resultat på grund av den begränsade mängden av data vi kunde generera. För att träna djupa arkitekturer som ResNet eller mer komplexa CNN behöver vi fler simuleringar än den som gjordes för detta examensarbete.