Ulotteisuuden pienentäminen pääkomponenttianalyysilla liikeanalyysissa
Tekijät
Päivämäärä
2019Tekijänoikeudet
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
Liikeanalyysissa tuotetaan paljon korkeaulotteista mittausdataa, jonka käsittelyyn tarvitaan usean muuttujan menetelmiä. Suuret datamäärät johtavat myös siihen, että menetelmät tarvitsevat enemmän laskentatehoa. Ohjaamattomaan oppimiseen kuuluva ulotteisuuden pienentämisen menetelmä pääkomponenttianalyysi on laajasti käytössä liikeanalyysissa. Tässä tutkielmassa käsitellään pääkomponenttianalyysin hyödyntämistä kliinisessä liikeanalyysitutkimuksessa. Human locomotion research or gait analysis measurements produce large amounts of high-dimensional data, which requires a multivariate approach. Large amounts of data also require more computational resources. Pricipal component analysis which is an unsupervised dimensionality reduction method is in widespread use in gait analysis. This thesis addresses applications of principal component analysis in clinical gait analysis.
Asiasanat
Metadata
Näytä kaikki kuvailutiedotKokoelmat
- Kandidaatintutkielmat [4957]
Samankaltainen aineisto
Näytetään aineistoja, joilla on samankaltainen nimeke tai asiasanat.
-
Effect of variable selection strategy on the predictive models for adverse pregnancy outcomes of pre-eclampsia : A retrospective study
Zheng, Dongying; Hao, Xinyu; Khan, Muhanmmad; Kang, Fuli; Li, Fan; Hämäläinen, Timo; Wang, Lixia (Scholar Media Publishing Company, 2024)Objectives: The improvement of prediction for adverse pregnancy outcomes is quite essential to the women suffering from pre-eclampsia, while the collection of predictive indicators is the prerequisite. The traditional ... -
Minimal learning machine in hyperspectral imaging classification
Hakola, Anna-Maria; Pölönen, Ilkka (SPIE, 2020)A hyperspectral (HS) image is typically a stack of frames, where each frame represents the intensity of a different wavelength of light. Each spatial pixel has a spectrum. In the classification of the HS image, each spectrum ... -
Predicting ACL Injury Using Machine Learning on Data From an Extensive Screening Test Battery of 880 Female Elite Athletes
Jauhiainen, Susanne; Kauppi, Jukka-Pekka; Krosshaug, Tron; Bahr, Roald; Bartsch, Julia; Äyrämö, Sami (SAGE Publications, 2022)Background: Injury risk prediction is an emerging field in which more research is needed to recognize the best practices for accurate injury risk assessment. Important issues related to predictive machine learning need to ... -
Tensorial Principal Component Analysis in Detecting Temporal Trajectories of Purchase Patterns in Loyalty Card Data : Retrospective Cohort Study
Autio, Reija; Virta, Joni; Nordhausen, Klaus; Fogelholm, Mikael; Erkkola, Maijaliisa; Nevalainen, Jaakko (JMIR Publications, 2023)Background: Loyalty card data automatically collected by retailers provide an excellent source for evaluating health-related purchase behavior of customers. The data comprise information on every grocery purchase, including ... -
Intelligent solutions for real-life data-driven applications
Ivannikova, Elena (University of Jyväskylä, 2017)The subject of this thesis belongs to the topic of machine learning or, specifically, to the development of advanced methods for regression analysis, clustering, and anomaly detection. Industry is constantly seeking ...
Ellei toisin mainittu, julkisesti saatavilla olevia JYX-metatietoja (poislukien tiivistelmät) saa vapaasti uudelleenkäyttää CC0-lisenssillä.