机器学习用于腰部和骨盆运动学集群

科学领域:

• 生物力学和数据科学 生物力学和数据科学
• 人类运动的计算分析.

背景情况:

• 从腰部和骨盆运动的时间序列动力学数据是复杂的分析.
• 聚类算法为识别这些数据中的模式提供了潜力.
• 确定最佳的集群方法需要仔细评估.

研究的目的:

• 为选择集群算法和确定时间序列动力学数据集群的最佳数量的系统方法.
• 在这种情况下,评估各种集群评估措施的有效性.

主要方法:

• 应用k-means和聚合层次集群 (HCA) 对时间序列的腰部和骨盆运动数据.
• 使用集群评估指标:轮系数,肘部方法,恩指数和差距统计.
• 对算法性能和集群有效性的比较分析.

主要成果:

• 这项研究表明,没有单一的集群评估方法是普遍优越的.
• 最佳的集群数和算法选择取决于数据集.
• 多个评估指标的组合提供了一个更强大的决策过程.

结论:

• 多重集群评估方法对于可靠分析时间序列动力学数据至关重要.
• 这种方法提高了动力学模式识别的准确性和可解释性.
• 这些发现支持对生物力学数据分析进行知情的算法选择.