（須找學長討論可行性，及與老師討論實行之必要性）
- 目前的分析方法：將擷取出來的22個完成動作的畫面，標記出各動作開始及動作結束後，將二個畫面的25個標記點的數值相減，獲得(16,50)個數值
- 因為SKlearn只能餵入至多2維的數組，因此我將每位個案的(5,16,50)（5位個案，每個個案有16個動作，每個動作有各25個X,Y座標）reshape成(5,800)（每位個案有800個座標點）
- 用這個800個座標點去預測ML-5F五個向度的分數
因為後來我沒有將重點的動作擷取出來，因為後來發現這樣可能會十分費時。
然而，目前我的作法好像會有致命缺點，即是大部分的動作都沒有進行改變，因此這樣的預測結果可能是高估AI模型的預測能力的。
然而，目前我的資料裡面沒有整理個案患側的資料，且我也還沒想好以怎麼樣的判斷式去判斷個案的患側。但幸好本次納入分析的5人患側皆為左側。
之後如果要進行分析的話，必須要將個案患側的參數也納入，用來自動化判斷個案患側手
（須找學長討論可行性，及與老師討論實行之必要性）
- 目前的分析方法：將擷取出來的22個完成動作的畫面，標記出各動作開始及動作結束後，將二個畫面的25個標記點的數值相減，獲得(16,50)個數值
- 因為SKlearn只能餵入至多2維的數組，因此我將每位個案的(5,16,50)（5位個案，每個個案有16個動作，每個動作有各25個X,Y座標）reshape成(5,800)（每位個案有800個座標點）
- 用這個800個座標點去預測ML-5F五個向度的分數
因為後來我沒有將重點的動作擷取出來，因為後來發現這樣可能會十分費時。
然而，目前我的作法好像會有致命缺點，即是大部分的動作都沒有進行改變，因此這樣的預測結果可能是高估AI模型的預測能力的。
然而，目前我的資料裡面沒有整理個案患側的資料，且我也還沒想好以怎麼樣的判斷式去判斷個案的患側。但幸好本次納入分析的5人患側皆為左側。
之後如果要進行分析的話，必須要將個案患側的參數也納入，用來自動化判斷個案患側手
沒有留言:
張貼留言