基于角相关的特征选择用于机器学习,使用身体传感器网络数据对手动自动化的分类

科学领域:

• 神经学 神经学
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 自动化是焦点受损意识发作和一些普遍发作中的特征运动.
• 准确检测自动症对于诊断和治疗至关重要.
• 目前分析发作相关运动的方法需要优化,以提高效率和准确性.

研究的目的:

• 通过机器学习提高在中自动化的检测.
• 优化功能选择过程,以分析来自身体传感器网络的惯性数据.
• 引入和评估一个新的角度相关算法 (ACA) 用于特征选择.

主要方法:

• 使用五个模块的身体传感器网络来收集发作期间的惯性数据.
• 开发并应用一个角度相关算法 (ACA) 用于统计特征选择.
• 将ACA的性能与传统方法 (如单向ANOVA) 的性能进行了比较.

主要成果:

• ACA有效地识别了80%的相关统计特征,超过了ANOVA的67.85%.
• 拟议的ACA方法证明了对自动化检测的分类器准确度有所提高.
• 与传统的特征选择技术相比,ACA需要更少的处理时间和功率.

结论:

• 角相关算法 (ACA) 提供了一种有价值和高效的方法来检测的自动化.
• 在保持高精度的同时,ACA简化了特征选择过程.
• 这种方法显示出改善管理中的诊断工具的巨大潜力.