不同数据预处理方法对基于机器学习的步态分类性能影响的系统性比较
机器学习
2020-07-31 v2 机器学习
摘要
人体运动以运动系统内高度非线性和多维的相互作用为特征。近来，机器学习应用的日益受到重视显著推动了步态分析领域的发展，例如提升了分类性能。为确保机器学习模型的泛化能力，通常在分类前对测量的原始数据进行不同的数据预处理步骤。过去，这些预处理步骤各自采用了多种方法。然而，几乎不存在标准流程，也缺乏对这些不同方法及其对分类性能影响的系统性比较。因此，本分析旨在比较常用数据预处理步骤的不同组合，并检验它们对步态模式分类性能的影响。本分析使用了一个关于步态模式个体内变化的公开数据集。42 名健康参与者在 1 天内完成了 6 次 session、每次 15 个步态试验。每次试验由两个测力板记录三维地面反作用力（GRFs）。数据经过以下预处理步骤：GRF 滤波、时间导数、时间归一化、数据约简、权重归一化与数据缩放。随后，通过使用支持向量机、随机森林分类器、多层感知机与卷积神经网络进行六次 session 分类，比较各预处理步骤中所有方法的组合的预测性能。总之，本研究结果为常用数据预处理方法提供了首个领域特异性建议，并可能有助于构建更具可比性与鲁棒性、适于实际应用的基于机器学习的分类模型。
引用
@article{arxiv.1911.04335,
title = {Systematic Comparison of the Influence of Different Data Preprocessing Methods on the Performance of Gait Classifications Using Machine Learning},
author = {Johannes Burdack and Fabian Horst and Sven Giesselbach and Ibrahim Hassan and Sabrina Daffner and Wolfgang I. Schöllhorn},
journal= {arXiv preprint arXiv:1911.04335},
year = {2020}
}
备注
12 pages, 3 figures, 4 tables