NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Doğru bir adım uzunluğu tahmini, iç mekan konumlandırma sistemleri gibi farklı uygulamalara değerli bilgiler sağlayabilir veya bir kullanıcının yürüyüşünü analiz ederken yardımcı olabilir, daha sonra azaltılmış bir adım uzunluğuna (örneğin, Parkinson hastalığı veya multipl skleroz nedeniyle) yol açan çeşitli yürüyüş bozukluklarını tespit etmek için kullanılabilir. Bu makalede, bir kapalı konumlandırma sisteminde kullanılabilecek makine öğrenme teknikleri kullanarak adım uzunluğunun tahminine odaklanıyoruz. Önceki adım uzunluğu algoritmaları, ivmeölçerden ölçümlere ve bazı ayarlanabilir (kullanıcıya özgü) parametrelere dayanan bir adımın uzunluğunu modellemeye çalıştı. Makine öğrenme tabanlı adım uzunluğu tahmin algoritmaları, bu parametrelerin ayarlanmasını ortadan kaldırır. Bunun yerine, bu algoritmaları farklı kullanıcılara uyarlamak için, farklı kişiler için birden fazla adımın uzunluğunun örneklerini makine öğrenme algoritmasına sunmak yeterlidir, böylece eğitim aşamasında algoritma farklı kullanıcılar için adım uzunluğunu tahmin etmeyi öğrenebilir. Şimdiye kadar, bu makine öğrenme algoritmaları sezgisel olarak seçilen özelliklerle eğitildi. Bu makalede, geniş bir özellik koleksiyonundan özellikleri belirleyebilmek için sistematik bir özellik seçim algoritması olarak ele alıyoruz ve bu da en iyi performansla sonuçlanıyor. Bu, bilinen bir test kişisi için 3.48 cm ve bilinmeyen bir test kişisi için 4.19 cm ortalama mutlak hata ile bir adım uzunluğu tahmincisi ile sonuçlanırken, mevcut son teknoloji ürünü makine öğrenme tabanlı adım uzunluğu tahmincileri, sırasıyla bilinen ve bilinmeyen bir test kişisi için ortalama 4.94 cm ve 6.27 cm'lik bir mutlak hata ile sonuçlandı.
Özgün kaynak özetini okuyun
An accurate step length estimation can provide valuable information to different applications such as indoor positioning systems or it can be helpful when analyzing the gait of a user, which can then be used to detect various gait impairments that lead to a reduced step length (caused by e.g., Parkinson's disease or multiple sclerosis). In this paper, we focus on the estimation of the step length using machine learning techniques that could be used in an indoor positioning system. Previous step length algorithms tried to model the length of a step based on measurements from the accelerometer and some tuneable (user-specific) parameters. Machine-learning-based step length estimation algorithms eliminate these parameters to be tuned. Instead, to adapt these algorithms to different users, it suffices to provide examples of the length of multiple steps for different persons to the machine learning algorithm, so that in the training phase the algorithm can learn to predict the step length for different users. Until now, these machine learning algorithms were trained with features that were chosen intuitively. In this paper, we consider a systematic feature selection algorithm to be able to determine the features from a large collection of features, resulting in the best performance. This resulted in a step length estimator with a mean absolute error of 3.48 cm for a known test person and 4.19 cm for an unknown test person, while current state-of-the-art machine-learning-based step length estimators resulted in a mean absolute error of 4.94 cm and 6.27 cm for respectively a known and unknown test person.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.