tl;dr

Ich habe eine App zur Schätzung des Muskeltrainings erstellt --Qore verwendet einen Algorithmus namens Reservoir Computing
Eine Aufgabe zum Klassifizieren von Zeitreihendaten aus Beschleunigungsdaten ausgeführt, die mit einem Smartphone erfasst werden können.
Code
Die Genauigkeit ist ziemlich gut
Testdaten, Genauigkeit 99,6% ――Du solltest ein Muskelingenieur sein

Strategie

Sammeln Sie Beschleunigungssensordaten mit einem Smartphone (iPhone)
Sie können Zeitreihendaten mit 3 Komponenten der x-, y- und z-Achse abrufen
Lernen mit 4 Arten von Muskeltraining: Armstand, Bauchmuskel, Kniebeugen, Bauchmuskelrolle ――Sie können sehen, welche Art von Muskeltraining Sie nur mit Ihrem Smartphone durchgeführt haben

Datensammlung

Muskeltraining mit Ihrem Smartphone in der Hosentasche ――Stellen Sie diesmal bei jedem Muskeltraining das Smartphone in die gleiche Richtung in die Tasche ――Es scheint schwieriger zu sein, abzuschätzen, ob Sie es in eine andere Richtung drehen. ――Ich habe die folgende App verwendet, um die Beschleunigung zu messen.
["Logger für Beschleunigung / Gyroskop / Magnetsensor"](https://apps.apple.com/jp/app/%E5%8A%A0%E9%80%9F%E5%BA%A6-%E3% 82% B8% E3% 83% A3% E3% 82% A4% E3% 83% AD% E3% 82% B9% E3% 82% B3% E3% 83% BC% E3% 83% 97-% E7% A3 % 81% E5% 8A% 9B% E3% 82% BB% E3% 83% B3% E3% 82% B5% E3% 83% BC% E3% 83% AD% E3% 82% AC% E3% 83% BC / id448070865)
Das Messintervall beträgt 0,1 Sekunden
Anzahl der durchgeführten Muskeltrainings
Armstand: 21 Mal (~ 35 Sek.)
Bauchmuskel: 20 Mal (~ 66 Sek.)
Quat: 20 Mal (~ 51 Sek.)
Bauchmuskelrolle (Sitzrolle): 12 Mal (~ 50 Sek.) ――Um die Datenmenge zu erhöhen, müssen Sie mehr Muskeltraining durchführen ――Sie sollten irgendwann Macho werden können

――Das Folgende sind die Rohdaten der tatsächlich gemessenen Beschleunigung.

Liegestütze

--Bauchmuskel

--Hocken

Bauchmuskelrolle (Sitzrolle)

――Es ist periodisch und ich habe schönere Daten als ich erwartet hatte.

Datenvorverarbeitung

Ich habe versucht, qore_sdk.utils von QoreSDK zu verwenden.
sliding_window
Teilen Sie die Zeitreihen in mehrere kleine Zeitreihen auf
Vorverarbeitung erforderlich, um Daten an die API zu übergeben (3D erstellen)
under_sample
Richten Sie die Anzahl der Proben pro Klasse aus
Die Anzahl der tatsächlich gemessenen Daten war verzerrt ―― Normalerweise wird beim maschinellen Lernen die Genauigkeit von Daten mit einer großen Anzahl von Daten gezogen, daher haben wir sie an die Anzahl der Daten in der Klasse mit der kleinsten Anzahl angepasst.
Die Größe der Eingabedaten beim Lernen ist begrenzt
N*T*V < 150,000 && N*T < 10,000 ―― Zuerst habe ich die Bedeutung jedes Alphabets nicht verstanden (ich dachte, es wäre ein kanonisches Ensemble, weil es ursprünglich ein biophysikalisches System war !?), Aber es scheint wie folgt zu sein. --N: Anzahl kleiner Zeitreihendaten --T: Kleine Zeitreihenlänge (Zeit?) --V: Anzahl der Merkmale (in diesem Fall x, y, z Beschleunigung 3)

Lernen und Denken

Zum Lernen und Denken [Beispielcode](https://github.com/qcore-info/advent-calendar-2019/blob/master/Qore%E3%82%B5%E3%83%B3%E3%83 % 97% E3% 83% AB1_with_UCI.ipynb) Genau das gleiche
Richten Sie unten Ihre Kontoinformationen ein

client = WebQoreClient(username=username, 
                       password=password, 
                       endpoint=endpoint)

Lerne unten

res = client.classifier_train(X=X_train, Y=y_train)
print(res)
# {'res': 'ok', 'train_time': 7.2200915813446045}

――Das Lernen wurde in ca. 7,2 Sekunden abgeschlossen --Ziemlich früh

Test (Schlussfolgerung)

res = client.classifier_test(X=X_test, Y=y_test)
print(res)
{'accuracy': 0.9964285714285714, 'f1': 0.9964301018846474, 'res': 'ok'}

Die Genauigkeit beträgt 0,9964
hoch!

Lineare Regression, Vergleich mit einfachem Deep Learning

Dies ist auch der Beispielcode --Lineare Regression
Lernzeit: 0.28547000885009766 \ [sec ]
Genauigkeit: 0,9964285714285714
MLP (Using Sklearn)
Lernzeit: 0,7626857757568359 \ [sec ]
Genauigkeit: 0,9928571428571429
Beide sind etwas niedriger als das Qore SDK, aber immer noch genauer
Ist das Problem zu einfach?

Impressionen habe ich ausprobiert

SDK war einfach und leicht zu bedienen ――Die Genauigkeit war hoch, aber auch lineare Regression und MLP ergaben eine ausreichende Genauigkeit.
Das Problem war möglicherweise zu einfach
Ich möchte eine schwierigere Schätzaufgabe versuchen
Ich möchte überprüfen, was passiert, wenn ich qore_sdk.featurizer verwende, das ich dieses Mal (diesmal) nicht ausprobieren konnte. Wenn da ist)

Unten, was ich untersucht und organisiert habe

Qores Algorithmus

Der folgende Artikel (1. Tag des Adventskalenders) enthält eine kurze Erklärung.

[Die Welt des Reservoir-Computing ~ With Qore ~ --Qiita](https://qiita.com/ryoppippi/items/f607c8828238094eade0#qore%E3%81%AB%E3%81%A4%E3%81%84%E3% 81% A6)

Es ist eine Anwendung des Reservoir Computing und wurde leicht modifiziert.

Erzielen Sie auch bei kleinen Reservoirgrößen ein hochgenaues Modell, indem Sie es wiederholt unabhängig voneinander verbessern und einen einzigartigen Mechanismus nicht nur für das Innere des Reservoirs, sondern auch für die Vor- und Nachbehandlung entwickeln.

Es scheint, dass.

Scheint es auf dem folgenden Papier zu basieren? Van der Sande, Guy & Brunner, Daniel & Soriano, Miguel. (2017). Advances in photonic reservoir computing. Nanophotonics. 6. 561-576. 10.1515/nanoph-2016-0132.

Ich möchte es lesen, wenn ich Zeit habe.

Spezifischer Prozedurcode

Das Jupyter-Notizbuch wurde im folgenden Repository veröffentlicht. Anweisungen finden Sie in den Skripten README und Notebook.

GitHub - hnishi/muscle_QoreSDK_AdvCal2019

Was Sie mit dem Qore SDK tun können

--Klassifizierung Klassifizierungsaufgabe

classifier_train --regression Regressionsaufgabe
regression_train
Merkmalsextraktion durch Zeitreihenfrequenzzerlegung (ich möchte mit und ohne Verwendung vergleichen)
Featurizer
Teilen Sie die Zeitreihen in mehrere kleine Zeitreihen auf (einfach zu verwenden)
sliding_window
Funktion zur Anpassung an die Anzahl der Etiketten (einfach zu bedienen)
under_sample

――Ich wollte die volle Funktionalität des Qure SDK nutzen. ――Ich möchte, dass Sie Änderungspunkte und Anomalien erkennen können.

Offizieller Dokumentlink

advent repo GitHub --qcore-info / advent-calendar-2019: Maschinelles Lernen und andere angewandte Technologien als Deep Learning von QuantumCore Advent Calendar 2019

QoreSDK doc QoreSDK 0.1.0 documentation

Postskriptum 2019/12/22

Featurizer macht es noch genauer

Die Merkmalsextraktion wird durch Frequenzzerlegung durchgeführt, so dass die Anzahl der Klassen 40 beträgt.

n_filters = 40
featurizer = Featurizer(n_filters)
X = featurizer.featurize(X, axis=2)

Die QoreSDK-Genauigkeit für Testdaten ist unten angegeben

acc= 1.0 f1= 1.0 elapsed_time:52.20956110954285[sec]

Das Ergebnis ist eine Genauigkeit von 1.

Im Gegenteil, logistische Regression und MLP sind weniger genau als zuvor mit Featurizer.

===LogisticRegression(Using Sklearn)===
elapsed_time:0.2480778694152832[sec]
acc= 0.6291666666666667
f1= 0.630372638509498
===MLP(Using Sklearn)===
elapsed_time:8.673331499099731[sec]
acc= 0.95
f1= 0.9502859082452324

Fügte den Zustand ohne Muskeltraining hinzu

Der Status "Nicht-Muskeltraining" wurde zur Klassifizierungsaufgabenklasse hinzugefügt. (Daten wurden als Kontrolle während der Vorbereitung des Mittagessens gesammelt.) Wieder war die Genauigkeit 1.

Klicken Sie hier, um das für die Arbeit verwendete Notizbuch anzuzeigen. https://github.com/hnishi/muscle_QoreSDK_AdvCal2019/blob/master/muscle_QoreSDK_v2.ipynb

Validieren Sie mit neu erfassten Daten

Erstellen Sie einen anderen Datensatz als den, der zum Zeitpunkt des Lernens mit der Bauchmuskelrolle verwendet wurde. Mit diesen Daten wurde geschlossen.