31、预测MMSE分数与多电机平均补偿控制策略

预测MMSE分数与多电机平均补偿控制策略

预测MMSE分数

在预测MMSE分数的研究中，采用了一系列科学的方法和模型。首先，将整个数据集随机分成两部分，80%用于训练预测模型，20%用于测试训练好的模型的准确性。使用平均绝对误差（MAE）来衡量预测模型在测试数据上的性能，其计算公式为：
[MAE = \frac{1}{T}\sum_{t = 1}^{T}|S_{pred}^t - S_{true}^t|]
其中，(S_{pred}^t) 和 (S_{true}^t) 分别代表预测的和真实的MMSE分数。最终的MAE是在上述设置下进行100次实验结果的平均值。为了进一步衡量所提出方法的能力，将样本按照临床临界值（MMSE = 24）分为健康人和患者，然后计算该方法的诊断准确性。

实验结果通过多幅图展示。图1显示了168个属性与MMSE分数之间的关联，从图中可以看出，只有双手同相的某些属性与MMSE相关，而双手反相的属性则不相关。双手同相任务中双手的“敲击次数”、“间隔平均值”和“敲击频率”（图1中的#33 - #35、#73 - #75属性）与MMSE分数的关联最为密切。图2绘制了这些属性与MMSE分数的联合分布。

在第一个实验中，以这6个属性作为输入的线性回归（LR）和支持向量回归（SVR）模型表现出较高的准确性。表1列出了这两个模型在100次独立实验中的MAE和诊断准确性的性能比较：
| 模型 | MAE | 诊断准确性(%) |
| — | — | — |
| LR | 2.693 | 91.7 |
| SVR | 2.548 | 92.6 |

从表中可以看出，所提出的方法取得了良好的预测性能，偏