基于菱形堆叠稀疏自编码器集成模型的运动障碍受试者健康监测
机器学习
2023-03-16 v1
摘要
由于运动障碍者行动受限且慢性病持续时间长，慢性病的健康监测对其十分重要。基于机器学习处理通过可穿戴传感器从运动障碍者采集的数据，是目前可用的健康监测有效方法。然而，可穿戴传感器系统难以获取高质量、大量的数据，无法满足诊断准确性的要求。此外，现有机器学习方法未能很好地处理该问题。特征学习是机器学习的关键。为解决此问题，本文提出一种基于菱形堆叠稀疏自编码器集成模型（DsaeEM）的运动障碍受试者健康监测方法。该算法包含两个主要部分。首先，利用特征嵌入堆叠稀疏自编码器（FSSAE）设计特征扩展。其次，设计特征约简机制以去除扩展特征间的冗余。该机制包括 L1 正则化特征约简算法与改进的流形降维算法。本文将所组合的特征扩展与特征约简机制称为类菱形特征学习机制。该方法在多个先进算法与两个数据集上进行了实验验证。结果显示所提算法具有明显更高的准确率。总之，本研究为慢性病识别开发了一种有效且可行的特征学习算法。
引用
@article{arxiv.2303.08538,
title = {Health Monitoring of Movement Disorder Subject based on Diamond Stacked Sparse Autoencoder Ensemble Model},
author = {Likun Tang and Jie Ma and Yongming Li},
journal= {arXiv preprint arXiv:2303.08538},
year = {2023}
}
备注
21 pages, 6 figures