Участник:Anastasiya/Черновики

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
м (Список проектов)
м (Задача 2)
Строка 29: Строка 29:
* '''Название''': Выбор признаков в задаче распознавания активности областей головного мозга.
* '''Название''': Выбор признаков в задаче распознавания активности областей головного мозга.
* '''Задача''': Решается задача восстановления координат конечности испытуемого на основе измерений активности головного мозга. КАждому обхъекты выборки, описываемому трехиндексной матрцей пространственных, временных и частотных признаков, требуется сопоставить 3D координаты конечности испытуемого.
* '''Задача''': Решается задача восстановления координат конечности испытуемого на основе измерений активности головного мозга. КАждому обхъекты выборки, описываемому трехиндексной матрцей пространственных, временных и частотных признаков, требуется сопоставить 3D координаты конечности испытуемого.
 +
** Постановка задачи и описание процесса построения выборки
* '''Данные''': [http://neurotycho.org/food-tracking-task Описание эксперимента и ссылка на данные]
* '''Данные''': [http://neurotycho.org/food-tracking-task Описание эксперимента и ссылка на данные]
-
* Постановка задачи и описание процесса построения выборки
 
* '''Литература''':
* '''Литература''':
** Andrey Eliseyev and Tetiana Aksenova. Penalized multi-way partial least squares for smooth
** Andrey Eliseyev and Tetiana Aksenova. Penalized multi-way partial least squares for smooth

Версия 17:09, 13 февраля 2017

Список проектов

Шаблон описания проекта — научной статьи

  • Название: Название, под которым статья подается в журнал.
  • Задача: Описание или постановка задачи. Желательна постановка в виде задачи оптимизации (в формате argmin). Также возможна ссылка на классическую постановку задачи.
  • Данные: Краткое описание данных, используемых в вычислительном эксперименте, и ссылка на выборку.
  • Литература: Список научных работ, дополненный 1) формулировкой решаемой задачи, 2) ссылками на новые результаты, 3) основной информацией об исследуемой проблеме.
  • Базовой алгоритм: Ссылка на алгоритм, с которым проводится сравнение или на ближайшую по теме работу.
  • Решение: Предлагаемое решение задачи и способы проведения исследования. Способы представления и визуализации данных и проведения анализа ошибок, анализа качества алгоритма.
  • Новизна: Обоснование новизны и значимости идей (для редколлегии и рецензентов журнала).
  • Авторы: эксперт, консультант.

Задача 1

  • Название: Классификация видов деятельности человека по измерениям фитнес-браслетов.
  • Задача: По измерениям акселерометра и гироскопа требуется определить вид деятельности рабочего. Предполагается, что временные ряды измерений содержат элементарные движения, которые образуют кластеры в пространстве описаний временных рядов. Характерная продолжительность движения – секунды. Временные ряды размечены метками вида деятельности: работа, отдых. Характерная продолжительность деятельности – минуты. Требуется по описанию временного ряда и кластера восстановить вид деятельности.
  • Данные: Временные ряды акселерометра WISDM (Временной ряд (библиотека примеров), раздел Accelerometry).
  • Литература:
    • Карасиков М.Е., Стрижов В.В. Классификация временных рядов в пространстве параметров порождающих моделей // Информатика и ее применения, 2016. [URL]
    • Кузнецов М.П., Ивкин Н.П. Алгоритм классификации временных рядов акселерометра по комбинированному признаковому описанию // Машинное обучение и анализ данных. 2015. T. 1, № 11. C. 1471 - 1483. [URL]
    • Исаченко Р.В., Стрижов В.В. Метрическое обучение в задачах многоклассовой классификации временных рядов // Информатика и ее применения, 2016, 10(2) : 48-57. [URL]
    • Задаянчук А.И., Попова М.С., Стрижов В.В. Выбор оптимальной модели классификации физической активности по измерениям акселерометра // Информационные технологии, 2016. [URL]
    • Motrenko A.P., Strijov V.V. Extracting fundamental periods to segment human motion time series // Journal of Biomedical and Health Informatics, 2016, Vol. 20, No. 6, 1466 - 1476. [URL]
    • Ignatov A., Strijov V. Human activity recognition using quasiperiodic time series collected from a single triaxial accelerometer // Multimedia Tools and Applications, 2015, 17.05.2015 : 1-14. [URL]
  • Базовой алгоритм: Базовый алгоритм описан в работах [Карасиков, Стрижов: 2016] и [Кузнецов, Ивкин: 2014].
  • Решение: Найти оптимальный способ сегментации и оптимальное описание временного ряда. Построить метрическое пространство описаний элементарных движений.
  • Новизна:: Соединение двух характеристических времен описания жизни человека, комбинированная постановка задачи.
  • Авторы: В.В. Стрижов, М.П. Кузнецов, П.В. Левдик.

Задача 2

  • Название: Выбор признаков в задаче распознавания активности областей головного мозга.
  • Задача: Решается задача восстановления координат конечности испытуемого на основе измерений активности головного мозга. КАждому обхъекты выборки, описываемому трехиндексной матрцей пространственных, временных и частотных признаков, требуется сопоставить 3D координаты конечности испытуемого.
    • Постановка задачи и описание процесса построения выборки
  • Данные: Описание эксперимента и ссылка на данные
  • Литература:
    • Andrey Eliseyev and Tetiana Aksenova. Penalized multi-way partial least squares for smooth

trajectory decoding from lectrocorticographic (ecog). PLoS ONE, 11(5):e0154878, 2016.

    • Andrey Eliseyev, Cecile Moro, Thomas Costecalde, Napoleon Torres, Sadok Gharbi, Corinne

Mestais, Alim Louis Benabid, and Tatiana Aksenova. Iterative n-way partial least squares for a binary self-paced brain-computer interface in freely moving animals. J. Neural EngJournal of Neural Engineering, 8, 2011.

    • Aleksandr Katrutsa and Vadim Strijov. Comprehensive study of feature selection methods

to solve multicollinearity problem according to evaluation criteria. Expert Systems with Applications, 2017.

  • Базовой алгоритм: NPLS или другие модификации [Eliseyev 2016, Eliseev 2011]
  • Решение: Предлагается сравнить базовые методы с методом [Katrutsa 2017]
  • Новизна: Алгоритм выбора признаков [Katrutsa 2017] был предложен для двухиндексных данных и при использовании тензорных (многоиндексных) признаковых описаний требует модификации.
  • Авторы: эксперт, консультант.
Личные инструменты