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 />
teoricamente essi dovrebbero rappresentare tutte le varie casistiche, ossia dovrebbero<br />
essere “statisticamente eterogenei”.<br />
– test: tale fase è svolta operando su un test set composto da dati anch’essi<br />
preclassificati, ma che sono <strong>di</strong>fferenti da quelli utilizzati in fase <strong>di</strong> training; ottenute<br />
buone prestazioni sul test set, si può operare su dati incogniti.<br />
In questo contesto noi ci siamo occupati rispettivamente <strong>delle</strong> <strong>tecniche</strong> <strong>di</strong> clustering,<br />
per quanto riguarda l’analisi non supervisionata, e <strong>di</strong> quelle Template Matching per<br />
quanto riguarda le <strong>tecniche</strong> supervisionate.<br />
Queste <strong>di</strong>verse <strong>tecniche</strong> sono state analizzate per valutarne l’applicabilità alle<br />
tipologie <strong>di</strong> dati a nostra <strong>di</strong>sposizione e per i requisiti <strong>di</strong> nostro interesse. Il nostro<br />
stu<strong>di</strong>o ha posto l’accento sulle peculiarità degli approcci, sulle possibilità <strong>di</strong><br />
innovazione e soprattutto sulle possibilità <strong>di</strong> utilizzo in un contesto come il nostro,<br />
fatto <strong>di</strong> sensori indossabili e <strong>di</strong> requisiti <strong>di</strong>fferenti a seconda dell’applicazione.<br />
In una prima fase del nostro lavoro ci siamo concentrati sulle <strong>tecniche</strong> <strong>di</strong> Template<br />
Matching e sull’ipotesi <strong>di</strong> fondere <strong>tecniche</strong> accre<strong>di</strong>tate <strong>di</strong> clustering (ad esempio,<br />
algoritmo del k-means) con analisi <strong>di</strong> tipo DTW (Dynamic Time Warping) per una<br />
<strong>classificazione</strong> non supervisionata utilizzabile in ambito <strong>di</strong> telemonitoraggio con<br />
obiettivi adattativi e <strong>di</strong> appren<strong>di</strong>mento del contesto: tale tecnica può risultare valida,<br />
in quanto entrambi gli algoritmi fanno uso della nozione <strong>di</strong> <strong>di</strong>stanza per stabilire<br />
l’appartenenza ad uno stesso cluster o ad una stessa classe. In una seconda fase del<br />
nostro lavoro ci siamo occupati <strong>di</strong> classificatori bayesiani, esplorati in <strong>di</strong>versi contesti<br />
teorici e <strong>di</strong> applicazione, anche volgendo uno sguardo approfon<strong>di</strong>to all’analisi <strong>delle</strong><br />
features, che è il primo passo nella costruzione <strong>di</strong> un classificatore <strong>di</strong> questo tipo. I<br />
classificatori bayesiani sono stati implementati supponendo <strong>di</strong> conoscere la forma<br />
della densità <strong>di</strong> probabilità con<strong>di</strong>zionata <strong>delle</strong> features.<br />
20