通过机器学习从惯性传感器识别婴儿的身体位置:哪些参数很重要?

科学领域:

• 生物医学工程 生物医学工程
• 婴儿运动发展 婴儿运动发展
• 机器学习应用 机器学习应用

背景情况:

• 准确的婴儿身体位置分类对于监测运动发育和实现早期干预至关重要.
• 手动视频分析是劳动密集型,促使使用惯性运动单元 (IMU) 传感器进行自动分类.
• 使用手工制作的功能进行监督机器学习是IMU数据分类的常见方法.

研究的目的:

• 将CatBoost分类器与随机森林分类器的性能进行比较,用于使用IMU数据对婴儿身体位置进行分类.
• 确定最重要的传感器数据特征,以便在4-12个月的婴儿中准确地对身体位置进行分类.

主要方法:

• 利用了婴儿 (4-12个月) 在三次游戏活动中进行的IMU记录的纵向数据集.
• 雇员监督机器学习,特别是CatBoost和随机森林分类器.
• 进行了数据废除实验和SHAP价值分析,以评估特征的重要性.

主要成果:

• CatBoost 分类器显著超过了随机森林分类器.
• 实现了高分类准确度:仰卧 (97.7%),坐着 (93.5%) 和倾斜 (89.9%).
• 加速度计和磁力计数据,特别是它们的统计特征,被确定为对分类准确性的关键.

结论:

• CatBoost模型提供了一种卓越的,自动化的方法,用于从IMU数据中对婴儿身体位置进行分类.
• 这种方法可以帮助早期发现发展问题,并促进及时干预.
• 功能重要性分析突出了特定传感器数据特征的价值,以便进行可靠的分类.