Introduction
本計畫提出全球第一個同時考慮準確性、及早性以及變異長度之時間序列早期分類技術，並應用於基於心電圖之心血管疾病早期分類。本技術包含一種新穎的深度強化學習框架：片段式政策網路 (Snippet Policy Network)，以及多目標優化演算法：膝引導神經進化演算法 (Knee-guided Neuroevolution Algorithm)。
本計畫提出全球第一個同時考慮準確性與及早性以解決不同長度心電圖信號的心血管疾病早期分類問題之研究，並發展一個新穎的深度強化學習框架：片段式政策網路，可提早並準確的分類不等長心電圖信號。這種方法的設計概念在先前的研究中並未得到很好的探索，而本研究團隊為首個定義並解決該問題之團隊。
由於早期時間序列預測問題存在著兩個需要優化之目標，因此我們也提出一套新穎的多目標優化之神經網路優化演算法：膝引導神經進化演算法，其包含一系列用於優化深度強化學習框架之方法來訓練出一個多目標優化代理人，以合理權衡模型的分類準確性和早期性，藉此加強片段式政策網路之準確性與及早性。除了上述之醫療領域資料集外，我們也使用包含感測領域總計超過10種開放性資料集進行實驗測試，驗證了本技術具備優異的有效性與泛用性，達到本領域之最佳效能，具備全球領先性。