机构名称：
¥ 1.0
自主检测身体跌倒的能力是实现更好独立生活的众多支持技术之一。这项工作探索了如何利用遗传编程来开发机器学习管道，以通过 EEG 脑波活动对跌倒进行分类。11 种身体活动（5 种跌倒类型和 6 种非跌倒活动）被聚类为是否发生跌倒的二元分类问题。在探索机器学习模型并对其进行调整以获得更好的 k 倍分类准确度、精确度、召回率和 F1 分数之前，先从脑波中提取小波特征。结果表明，仅从 EEG 脑波数据中，通过遗传编程发现的解决方案就可以检测到跌倒，平均准确度为 89.34%，精确度为 0.883，召回率为 0.908，F1 分数为 0.895。所有三种遗传编程解决方案都选择了主成分分析的进一步步骤，以便从计算出的小波特征中提取额外的特征，每个步骤的迭代次数分别为 6、3 和 7，并且都采用随机奇异值分解方法。最终通过接收者操作特性和精确度-召回率曲线分析最佳模型。提供了每个遗传编程管道的 Python 代码。
使用遗传编程进行跌倒检测的脑电图小波分类
主要关键词
相关文件推荐
