4、预测学习追踪任务所需的会话次数及核谱聚类驱动的运动分割研究

预测学习追踪任务所需的会话次数及核谱聚类驱动的运动分割研究

在当今的科研和技术领域，有两个极具价值的研究方向：一是预测学习追踪任务所需的会话次数，这对于理解人类学习运动技能的过程至关重要；二是核谱聚类驱动的运动分割，它在处理时变数据方面有着广泛的应用前景。

预测学习追踪任务所需的会话次数

实验数据收集与处理

在追踪任务的实验中，参与者需要在图形平板上使用手写笔追踪屏幕上显示的葡萄牙语单词“coisa”（意为“事物”），系统会计算期望轨迹与实际轨迹之间的百分比误差，以此衡量参与者的技能水平。实验完成后，采集的数据被格式化为逗号分隔值（CSV）文件，因为这种格式简单且广泛用于数据分析。CSV 文件包含了参与者的年龄、性别、第一次会话的百分比误差、当前会话的百分比误差以及当前会话的编号。

分类模型构建

本研究使用 Python 的“SciKit Learn”库提供的预测方法。该库实现了多种机器学习算法，被广泛应用于学术研究。为了为收集的数据构建最佳预测模型，采用了“网格搜索”算法，它会在有限的搜索空间内进行详尽搜索，为每个机器学习分类器选择最佳参数。具体选择的参数如下：
- K - 近邻算法（K - nearest neighbours） ：
- 预测变量：年龄、性别、第一次会话的平均误差、当前会话的平均误差。
- 分类变量：会话。
- 邻居数量：9。
- 距离度量：欧几里得距离。
- 算法：“Ball Tree”。
- 支持向量机（Support Vector Machine） ：