Daphnet Gait 數(shù)據(jù)集
(DG)Bachlin等人記錄了帕金森病(PD)對于10個參與者的影響，這意味著開展活動，可能會導(dǎo)致步態(tài)凍結(jié)。凍結(jié)是帕金森病常見的運動并發(fā)癥，它會影響個體的移動，例如散步。我們的目的是檢測這些凍結(jié)的事件，以便通知未來情境激勵系統(tǒng)。這代表一個兩級的識別問題。加速器數(shù)據(jù)是從腳踝以上，膝蓋以上和軀干部位進行記錄的。最終的數(shù)據(jù)是9維的。我們在驗證集中使用對象9的第1關(guān)，在測試集中使用了對象2的第1和第2關(guān)，并且使用剩余的數(shù)據(jù)進行訓(xùn)練。據(jù)我們分析，我們向下采樣加速器數(shù)據(jù)到32Hz，對于幀到幀的分析，我們創(chuàng)造了持續(xù)1秒且重疊為50%的滑動窗口。整個訓(xùn)練集包含了大概470k的樣本(30k的幀)。
表1：模式的超參數(shù)和實驗的數(shù)值范圍
通過逐幀分析，我們創(chuàng)造了持續(xù)時間為1秒且重疊部分為50%的滑動窗口。訓(xùn)練集大約包括470K的樣本(30k幀)。
4.2超參數(shù)的影響
為評價所有實驗中每一個參數(shù)的影響，我們運用fANOVA框架分析方法。fANOVA會決定每一個超參數(shù)對于網(wǎng)絡(luò)結(jié)構(gòu)表現(xiàn)的影響程度。它會就模式的表現(xiàn)建立一個預(yù)測模式，并作為超參數(shù)的函數(shù)。這一非線性模式隨即被分解成為超參數(shù)的相互作用函數(shù)。fANOVA曾在遞歸函數(shù)中進行超函數(shù)探索。
對于探索者來說，知道模式的哪一方面對表現(xiàn)的影響最大是至關(guān)重要的。我們將模式的參數(shù)分成三類：(1)學(xué)習(xí)型參數(shù)，控制學(xué)習(xí)過程;(2)規(guī)則型參數(shù)，限制模式的建模能力以防止過度重合;(3)構(gòu)建型參數(shù)，影響模式的結(jié)構(gòu)。每一個超參數(shù)都不一樣，我們估計歸因于參數(shù)類別和不同等級參數(shù)之間的相互作用。
4.3 表現(xiàn)標(biāo)準(zhǔn)
由于在本次研究中所使用的數(shù)據(jù)集有偏重，所以要求表現(xiàn)標(biāo)準(zhǔn)的類別分布是獨立的。我們傾向于評估f1數(shù)值的平均值：
相關(guān)研究曾使用加權(quán)f1分值作為主要表現(xiàn)標(biāo)準(zhǔn)。為把我們的結(jié)果和其他先進方法進行比較，我們會對加權(quán)f1分值進行評估：
Nc表示的是在c等級之內(nèi)的樣本數(shù)量，Ntoatal代表是樣本總數(shù)量。
表2：每一模式和數(shù)據(jù)集所獲得的最好結(jié)果，和一些比較標(biāo)準(zhǔn)。變量增量(表格的下半部分)指代的是所有實驗中上等和中等表現(xiàn)之間的絕對差別。
5.結(jié)果
結(jié)果在圖2可見。圖(a-c)顯示的是主要表現(xiàn)標(biāo)準(zhǔn)在每一個數(shù)據(jù)中的累積分布。圖(d)通過fANOVA 解釋了每一超參數(shù)類型的影響。
總的來說，我們觀察了模式在OPP和DG上的優(yōu)秀表現(xiàn)分布，其中在(b-LSTM-S)表現(xiàn)最好f1的平均值超過了15%，在OPP中表現(xiàn)最差(DG上的平均值為12%)(見圖2)。在PAMAP2上的差別較小，但也有7%。在OPP上表現(xiàn)最好的方法超過目前的先進方法，在f1的平均值上超過4%(加權(quán)f1值超過1%)。CNN模式發(fā)現(xiàn)此項研究比之前結(jié)果都要好，因為f1的平均值和加權(quán)平均值都超過5%(見圖2)。遞歸方法表現(xiàn)良好，它能就實驗樣品進行建模，能對HAR進行新(實時)運用，因為它們能緩解分割時間序列數(shù)據(jù)的壓力。
圖2：(a)-(c)每一個數(shù)據(jù)集識別表現(xiàn)的累積分布;(d)從fANOVA分析得出的結(jié)果，并解釋超參數(shù)的種類對于識別表現(xiàn)的影響(見表1)。
在本次所研究的模式中，表現(xiàn)得分的分布不同。CNNs顯示最有特色的表現(xiàn)：模型配置的一小部分表現(xiàn)較差(例如，在PAMAP的得分為20%)，而其余配置在表現(xiàn)上的差別卻不大。在PAMAP2中，例如，最優(yōu)表現(xiàn)和中等表現(xiàn)之間的f1平均值只相差7%(見表2)。DNNs顯示在OPP上所有方法的最優(yōu)和中等表現(xiàn)相差最大值為35。7%。兩個前置RNNs模式(LSTM-F，LSTM-S)在不同數(shù)據(jù)集上表現(xiàn)相似。尤其在PAMAP2和OPP上進行探索的配置識別表現(xiàn)非凡。