Trong bài báo này, chúng tôi đề xuất một hàm số đo lường nhận biết cấu trúc, Hệ số tương tự Dice (SDSC), cho việc học tự giám sát chuỗi thời gian theo thời gian. Nhiều phương pháp học tự giám sát hiện có sử dụng các hàm mục tiêu dựa trên khoảng cách như lỗi bình phương trung bình (MSE), nhạy cảm với biên độ, bất biến với cực tính dạng sóng và vô hạn tỷ lệ, cản trở sự căn chỉnh ngữ nghĩa và làm giảm khả năng diễn giải. SDSC giải quyết vấn đề này bằng cách định lượng tính nhất quán về cấu trúc giữa các tín hiệu thời gian dựa trên giao điểm của các biên độ được mã hóa có nguồn gốc từ Hệ số tương tự Dice (DSC). Mặc dù SDSC được định nghĩa là một số liệu đo lường nhận biết cấu trúc, nhưng nó có thể được sử dụng như một hàm mất mát để tối ưu hóa dựa trên độ dốc bằng cách trừ đi 1 và áp dụng một phép xấp xỉ khả vi của hàm Heaviside. Chúng tôi cũng đề xuất một công thức mất mát lai kết hợp SDSC và MSE để cải thiện tính ổn định và khi cần thiết, bảo toàn biên độ. Kết quả thử nghiệm trên các chuẩn dự đoán và phân loại cho thấy tiền huấn luyện dựa trên SDSC đạt hiệu suất tương đương hoặc tốt hơn MSE, đặc biệt là trong các tình huống cụ thể theo miền và tài nguyên hạn chế. Những kết quả này cho thấy độ trung thực về mặt cấu trúc của biểu diễn tín hiệu cải thiện chất lượng biểu diễn ngữ nghĩa, và các phép đo nhận biết cấu trúc nên được xem xét như một giải pháp thay thế khả thi cho các phương pháp dựa trên khoảng cách hiện có.
