探索机器学习算法中的参数优化,用于使用可穿戴传感器进行运动机动任务区分
L D Hughes1,2, M Bencsik1, M Bisele3
1School of Science and Technology, Nottingham Trent University, Clifton Lane, Nottingham, NG11 8NS, UK.
Scientific reports
|October 9, 2025
概括
优化机器学习参数,如窗口长度和采样频率,可以显著提高从可穿戴传感器数据中识别人类运动状态的准确性.
科学领域:
- 生物力学和可穿戴技术
- 医疗保健中的机器学习
背景情况:
- 从可穿戴传感器准确识别运动状态对于健康监测和康复至关重要.
- 为机器学习模型选择最佳算法参数仍然是一个重大挑战.
研究的目的:
- 系统地优化用于分类人类运动的机器学习模型的关键参数.
- 使用可穿戴加速度计数据,提高区分不同运动机动任务的准确性.
主要方法:
- 参与者 (N=35) 在十字骨,大腿和腿部佩戴加速度计.
- 主要组件和区分函数分析应用于缓慢,正常和快速行走任务的数据.
- 优化的关键参数包括窗口长度,采样频率,时间分辨率,重叠值和正常化.
主要成果:
- 不规范化的数据,具有更长的特征窗口长度和时间分辨率下降,显示了最高的歧视质量.
- 在采样速率为40 Hz,重叠值为66%的情况下,可以实现最佳的区分.
- 起初,圣骨是最好的传感器位置,但最佳参数设置将其转移到腿部.
结论:
- 特定的参数值被确定为最佳值,用于准确识别运动状态.
- 这些发现为设计有效的可穿戴设备和机器学习算法提供了指导.
- 结果可以为从业者和临床医生在选择研究和临床目标的适当工具时提供信息.
