基于机器学习对PIMD/SMID儿童二元与多类行为结果分类的研究
机器学习
2021-05-14 v1
摘要
近来，已有研究提出天气参数和位置信息对于更好地理解患有深度智力与多重障碍（PIMD）或严重运动与智力障碍（SMID）儿童的交流情境具有重要意义。然而，关于这些数据是否可用于对其行为进行分类，以优化旨在预测其独立交流与移动行为的系统，尚未有相关研究。因此，本研究探讨重新校准包含次要或主要行为类别或两者兼有的数据集，结合位置与天气数据以及特征选择方法训练（Boruta），是否能够使用eXtreme Gradient Boosting（XGB）、支持向量机（SVM）、随机森林（RF）和神经网络（NN）分类器，对区分为二元与多类分类结果的行为实现更精准的分类。我们在20名经 purposeful 抽样的8至10岁确诊PIMD/SMID或重度/深度智力障碍儿童及其照护者中开展了多次单人面对面及视频记录会话。
引用
@article{arxiv.2105.06025,
title = {Machine-learning-based investigation on classifying binary and multiclass behavior outcomes of children with PIMD/SMID},
author = {Von Ralph Dane Marquez Herbuela and Tomonori Karita and Yoshiya Furukawa and Yoshinori Wada and Yoshihiro Yagi and Shuichiro Senba and Eiko Onishi and Tatsuo Saeki},
journal= {arXiv preprint arXiv:2105.06025},
year = {2021}
}