1. 首頁 > 云知道 > >

天語手機軟件，天語V209手機Java的軟件( 五 )

云知道天語


請注意，雖然3至5歲兒童的人數并不是最多，但與大齡兒童和成人相比，我們收集的手指按壓數量最多 。這是因為這個年齡組的孩子更可能輸入錯誤，因此他們嘗試多次 。在第二階段，我們分別從兒童組和成人組收集了3442和3658次 ?？偟膩碚f，成人組在2048年的比賽中表現更好 。
表2給出了滑動數據的樣本，表3是點擊數據的樣本 。輕擊一般由兩個動作組成：向下（“0”）和向上（“2”），而滑動有一個動作：觸摸移動（“1”） ?；瑒佑梢幌盗杏|摸點組成 。它從觸摸屏幕開始，以手指提升結束 。在每個點上，我們記錄發生的時間，X-Y坐標，觸摸區域的壓力和大小以及手指ID 。事件時間以毫秒為單位，并基于智能手機自啟動以來的非睡眠正常運行時間 。壓力和尺寸值均被標準化為0和1之間的范圍，其中0意味著沒有壓力并且完全沒有尺寸 。
數據處理
我們從所收集的觸摸數據中從兩個方面提取特征：手的幾何形狀和靈活性 。表4顯示了滑動手勢和輕擊手勢的功能描述 ?？偣?，我們提取了35個特征，并且點擊了8個特征 。
手部幾何 。手部幾何形狀的差異會導致觸摸范圍，觸摸距離，觸摸壓力和尺寸方面的差異 。特別地，表4中編號從1到19的特征是基于手部幾何圖形提取的 。
靈活性 ?？紤]到靈活性，我們提取了從20到35的16個特征 。靈巧性主要影響速度，加速度和任務持續時間 。
分類器和度量
分類選擇 。根據孩子和成人分類的以上特點，我們實現了三個機器學習分類器，即支持向量機（SVM），隨機森林（RF）和k近鄰（kNN） 。支持向量機是二元分類的流行和強大的工具，它可以輸出一個最優化的超平面，以最大化兩個類之間的邊界 。最重要的是，它能夠通過使用內核技巧將數據映射到更高維空間來解決非線性可分問題 。
在這里，我們使用徑向基函數（RBF）作為我們的非線性核 。kNN是一種非參數方法，它沒有數據的基礎假設，每個樣本都基于其鄰居的多數投票分配給一個類 。神經網絡不基于訓練數據進行任何概括，但它非常簡單而且快速，同時具有高度競爭的結果 。RF是另一種有效的算法，它能夠準確地對大量數據進行分類 。它是一種集成方法，它在訓練時間內構造大量決策樹，并輸出所有模型中票數最多的類標簽 。它還給出了每個特征在分類中重要性的估計 。
指標 。為了評估二元分類器的性能，我們選擇常用的性能指標：ROC（AUC）曲線下的面積和相等的錯誤率（EER） 。ROC曲線代表受試者工作特征曲線，并通過繪制真實接受率（TAR）與錯誤接受率（FAR）的關系來創建，因為閾值變化 。TAR是正確識別孩子的概率，而FAR是分類錯誤地接受孩子的概率 。AUC是介于0和1之間的值，較大的值通常更好 。EER是接受和拒絕誤差相等時的速率，而這個值越低，分類者越好 。
結果：
首先，我們將孩子的觸摸數據分為兩組，分成3至5歲的兒童和6至11歲的兒童兩組 。我們將所有成人數據視為陰性樣本，并為每個組單獨訓練了一個RF分類器 。
圖4顯示了兩個年齡組的ROC曲線的比較 。對于滑動和敲擊，我們在對3至5歲的兒童組進行分類時有更好的表現 。這是合理的，因為年齡較小的兒童在手部幾何和靈活性方面往往與成年人更為不同 。
多次滑動 。在本節中，我們將探索將不同數量的連續滑動組合用于分類對性能的影響 。到目前為止，我們只使用相對較大的滑動數據集來進行多筆劃評估 。首先，我們分開將數據集轉換為訓練和測試集 。我們通過從每個年齡段的參與者中隨機選擇10％的連續樣本來準備測試數據集 。

推薦閱讀