Time-Series Data Classification and Analysis Associated With Machine Learning Algorithms for Cognitive Perception and Phenomenon
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Analysis and collection of time-series data as a major role of machine learning has been emphasized with an important key in cognitive science. Because the cognitive mechanisms such as human sensation and perception from cognitive science are fast responses ranging from a few milliseconds to hundreds of milliseconds, the method of pattern recognition and analysis of these brain signals must be done and it is necessary to derive some information. In this paper, we investigated time-series data of cognitive function of the brain obtained using a non-invasive technique on multiple channels via signal classification and analysis, using a cognitive science approach and experiments. The test dataset was collected in 19 channels using functional near-infrared spectroscopy (fNIRS) and electroencephalography (EEG) techniques with multiple rests and working conditions on eight subjects. From this perspective, the main contributions of this paper are that it completes the collection and analysis of cognitive-scientific time-series data and has scientific implications that extend to other integrated domains, energy, manufacturing, bioinformatics, and finance area. The use of Shapelet and DTW (Dynamic Time Warping) classification techniques on brain signal time-series shows the potential to identify neuro-biological phenomena that can proactively signal a disease or disorder. EEG bandwidth and frequency-specific data have also been categorized as machine learning algorithms and have shown accurate patterns and trends in measuring cognitive functions of scientific, biological and academic importance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle