tecniche di classificazione e predizione delle ... - DSpace@Roma3
tecniche di classificazione e predizione delle ... - DSpace@Roma3
tecniche di classificazione e predizione delle ... - DSpace@Roma3
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Tecniche <strong>di</strong> <strong>classificazione</strong> e pre<strong>di</strong>zione <strong>delle</strong> attività motorie per telemonitoraggio e<br />
teleriabilitazione<br />
- Le <strong>tecniche</strong> <strong>di</strong> clustering<br />
• I meto<strong>di</strong> non parametrici<br />
- Le <strong>tecniche</strong> mutuate dal soft computing<br />
• Il percettrone e le reti neurali<br />
• La logica fuzzy e i sistemi neuro-fuzzy<br />
• Le euristiche<br />
- Le <strong>tecniche</strong> <strong>di</strong> template matching ( DTW – Dynamic Time Warping)<br />
L’obiettivo generale della <strong>classificazione</strong> è quello <strong>di</strong> assegnare un campione, tramite<br />
un opportuno set <strong>di</strong> informazioni, ad una specifica classe in base a determinate regole<br />
<strong>di</strong> interpretazione. Nel caso del nostro lavoro le <strong>di</strong>verse classi sono i <strong>di</strong>fferenti<br />
movimenti che si vogliono monitorare/riconoscere/analizzare.<br />
La <strong>classificazione</strong> si basa sulle seguenti ipotesi:<br />
– per ogni campione si <strong>di</strong>spone <strong>di</strong> un insieme <strong>di</strong> misure detto vettore <strong>di</strong><br />
caratteristiche (feature). Si suppone che le caratteristiche dei segnali a <strong>di</strong>sposizione<br />
possano essere misurate tramite sensori che siano in grado <strong>di</strong> fornire dati in forma<br />
grezza, oppure caratteristiche ottenute dalle misure stesse me<strong>di</strong>ante opportune<br />
elaborazioni;<br />
– le classi <strong>di</strong> appartenenza del nostro campione sono in numero finito.<br />
E, nella caso della <strong>classificazione</strong> supervisionata:<br />
– si possiede una sufficiente conoscenza a priori sulle classi oppure si ha a<br />
<strong>di</strong>sposizione un insieme <strong>di</strong> campioni <strong>di</strong> training <strong>di</strong> cui si conosce l’appartenenza alla<br />
classe.<br />
In generale per classificare un insieme <strong>di</strong> dati si lavora su features caratteristiche<br />
estratte a partire dai dati Una feature, come abbiamo detto, può essere il risultato <strong>di</strong><br />
una misura (numero reale o intero) o una risposta binaria (sì/no) a date domande o un<br />
andamento del segnale opportunamente pre-elaborato.<br />
18