tl;dr

J'ai créé une application d'estimation de l'entraînement musculaire --Qore utilise un algorithme appelé calcul du réservoir
Exécution d'une tâche de classification des données de séries chronologiques à partir de données d'accélération pouvant être acquises avec un smartphone.
Code
La précision est plutôt bonne
Données de test, précision 99,6% ――Vous devriez être un ingénieur musculaire avec ce

stratégie

Recueillir les données du capteur d'accélération avec un smartphone (iphone)
Vous pouvez obtenir des données de série chronologique avec 3 composantes des axes x, y, z --Apprentissage avec 4 types d'entraînement musculaire: bras debout, muscle abdominal, squat, rouleau musculaire abdominal ――Vous pouvez voir quel type d'entraînement musculaire vous avez fait avec juste votre smartphone

Collecte de données

Entraînement musculaire avec votre smartphone dans la poche de votre pantalon ――Cette fois, dans n'importe quel entraînement musculaire, placez le smartphone dans la poche dans le même sens ――Il semble qu'il sera plus difficile d'estimer si vous le tournez dans une direction différente. ―― J'ai utilisé l'application suivante pour mesurer l'accélération.
["Acceleration / Gyroscope / Magnetic Sensor Logger"](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)
L'intervalle de mesure est de 0,1 s --Nombre d'entraînements musculaires effectués
Support de bras: 21 fois (~ 35 sec)
Muscle abdominal: 20 fois (~ 66 sec) --Squat: 20 fois (~ 51 sec)
Rouleau musculaire abdominal (rouleau assis): 12 fois (~ 50 sec)
Vous devez faire plus d'entraînement musculaire pour augmenter la quantité de données ――Vous devriez pouvoir devenir un macho éventuellement

―― Voici les données brutes de l'accélération réellement mesurée.

des pompes

--Muscle abdominal

--S'accroupir

Rouleau musculaire abdominal (rouleau assis)

«C'est périodique, et j'ai obtenu de plus belles données que je ne m'y attendais.

Prétraitement des données

J'ai essayé d'utiliser qore_sdk.utils fourni par QoreSDK.
sliding_window
Diviser la série chronologique en plusieurs petites séries chronologiques
Pré-traitement requis pour transmettre les données à l'API (en faire 3D)
under_sample --Aligner le nombre d'échantillons par classe
Il y avait un biais dans le nombre de données réellement mesurées «Habituellement, dans l'apprentissage automatique, la précision est tirée par des données avec un grand nombre de données, nous l'avons donc ajustée au nombre de données de la classe avec le plus petit nombre. --Il y a une limite à la taille des données d'entrée lors de l'apprentissage
N*T*V < 150,000 && N*T < 10,000 «Au début, je ne comprenais pas la signification de chaque alphabet (je pensais que c'était un ensemble canonique parce que c'était à l'origine un système biophysique!?), Mais cela semble être le suivant. --N: nombre de petites séries chronologiques --T: Petite série chronologique (temps?) --V: nombre de caractéristiques (dans ce cas, x, y, z accélération 3)

Apprentissage et raisonnement

Pour l'apprentissage et le raisonnement, [Exemple de code](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) Exactement la même
Configurez les informations de votre compte ci-dessous

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

--Apprenez ci-dessous

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

――L'apprentissage s'est terminé en 7,2 secondes environ --Assez tôt --Test (inférence)

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

--La précision est de 0,9964

haute!

Régression linéaire, comparaison avec un apprentissage profond simple

Ceci est également l'exemple de code --Régression linéaire --Temps d'apprentissage: 0,28547000885009766 \ [sec ]
Précision: 0.9964285714285714
MLP (Using Sklearn) --Temps d'apprentissage: 0,7626857757568359 \ [sec ]
Précision: 0.9928571428571429
Les deux sont légèrement inférieurs au SDK Qore, mais toujours plus précis
Le problème est-il trop simple?

Impressions que j'ai essayé d'utiliser

--SDK était simple et facile à utiliser ――La précision était élevée, mais la régression linéaire et la MLP ont également donné une précision suffisante.

Le problème était peut-être trop simple --Je veux essayer une tâche d'estimation plus difficile --Je voudrais vérifier ce qui se passe si j'utilise qore_sdk.featurizer que je n'ai pas pu essayer cette fois (heure) s'il y a)

Ci-dessous, ce que j'ai étudié et organisé

L'algorithme de Qore

L'article suivant (1er jour du calendrier de l'Avent) a une brève explication.

[Le monde de l'informatique de réservoir ~ Avec Qore ~ --Qiita](https://qiita.com/ryoppippi/items/f607c8828238094eade0#qore%E3%81%AB%E3%81%A4%E3%81%84%E3% 81% A6)

C'est une application du calcul des réservoirs et a été légèrement modifiée.

Obtenez un modèle très précis même avec une petite taille de réservoir en l'améliorant à plusieurs reprises indépendamment et en développant un mécanisme unique non seulement pour l'intérieur du réservoir mais aussi pour le prétraitement et le post-traitement.

Il paraît que.

Cela semble-t-il basé sur l'article suivant? Van der Sande, Guy & Brunner, Daniel & Soriano, Miguel. (2017). Advances in photonic reservoir computing. Nanophotonics. 6. 561-576. 10.1515/nanoph-2016-0132.

Je veux le lire quand j'en ai le temps.

Code de procédure spécifique

Le notebook jupyter a été publié dans le référentiel suivant. Consultez les scripts README et notebook pour obtenir des instructions.

GitHub - hnishi/muscle_QoreSDK_AdvCal2019

Ce que vous pouvez faire avec le SDK Qore

--Tâche de classification de classification

classifier_train --Tâche de régression de régression
regression_train
Extraction de fonctionnalités par décomposition de fréquence en série chronologique (je veux comparer avec et sans utilisation)
Featurizer
Diviser la série chronologique en plusieurs petites séries chronologiques (facile à utiliser)
sliding_window --Fonction pour faire correspondre le nombre d'étiquettes (facile à utiliser)
under_sample

――Parce que c'est un gros problème, je voulais utiliser toutes les fonctionnalités du SDK Qure. ――Je souhaite que vous puissiez détecter les points de changement et les anomalies.

Lien vers le document officiel

advent repo GitHub --qcore-info / advent-calendar-2019: Apprentissage automatique et technologies appliquées autres que l'apprentissage en profondeur par QuantumCore Advent Calendar 2019

QoreSDK doc QoreSDK 0.1.0 documentation

2019/12/22 postscript

Featurizer le rend encore plus précis

L'extraction de caractéristiques est effectuée par décomposition de fréquence de sorte que le nombre de classes soit de 40.

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

La précision QoreSDK pour les données de test est ci-dessous

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

Le résultat est une précision de 1.

Au contraire, la régression logistique et le MLP sont moins précis qu'avant d'utiliser 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

Ajout de l'état sans entraînement musculaire

Ajout de l'état d'entraînement non musculaire à la classe de tâches de classification. (Les données ont été collectées à titre de contrôle lors de la préparation du déjeuner.) Encore une fois, la précision était de 1.

Cliquez ici pour le cahier utilisé pour le travail. https://github.com/hnishi/muscle_QoreSDK_AdvCal2019/blob/master/muscle_QoreSDK_v2.ipynb

Valider avec les données nouvellement acquises

Créez un ensemble de données différent de celui utilisé au moment de l'apprentissage avec le rouleau de muscle abdominal. Une inférence a été faite en utilisant ces données.