特征选择基于遗传算法儿童活动模式的识别和分类的生成使用环境音效

抽象的

在儿童活动的识别和分类方面，已经提出了许多利用不同数据来源的工作。其中大多数都使用了嵌入儿童服装的传感器。在这项工作中，利用环境声音数据提出通过自动学习技术生成儿童活动识别和分类模型，并优化应用于移动设备。最初，提出了使用遗传算法进行特征选择，减少所使用的数据集的原始大小，这是使用有限的移动设备资源时的一个重要方面。为了评价这一过程，采用了五种不同的分类方法，k-最近邻(k-NN)、最近邻质心(NC)、人工神经网络(ann)、随机森林(RF)和递归划分树(Rpart)。最后，基于准确性对所得到的模型进行比较，以确定在开发基于音频信号的儿童活动识别模型时表现最佳的分类方法。结果显示，通过RF开发的五特征模型表现出了最好的性能，获得了0.92的准确率，这使得我们可以得出这样的结论:基于简化的特征集自动分类儿童活动是可能的，具有显著的准确性。

1.介绍

人工智能是，其中有近年来一直显著进步的领域，通过技术的发展在很大程度上造成的。在这方面，一些小区域产生了较大的发展，是环保智能的情况下[1，人类通过这些途径寻求解决方案，以促进日常生活活动以及与环境的互动。

近年来，随着环保智能的日益发展，不同的解决方案和应用已成为专注于提供在不同情况下的服务，如智能家居[2)、智能楼宇[3.，智能城市[4，以及其他场景，在这些场景中，人们与其环境之间的某种类型的交互是可能自动化的。在环境情报领域开展的许多工作都是基于对人类活动的识别和分类的概念，通过这种概念，有可能探测到一个人或一群人所进行的活动的类型，并提供特定的服务或解决方案。这一人类活动的识别和分类领域近年来有了巨大的发展，并发展了许多工作[5- - - - - -10.］．

在对人类活动进行识别和分类的工作中，一个重要的方面是人们所关注的群体，因为不同的方面，如获取数据的方式和提供的服务等，都取决于它。有些作品是针对老年人的[11.，12.，其他给孩子[13.，14.]，和最成年人具有限定环境[相互作用10.，15.］．

要考虑的另一个重要方面是要使用的数据源，并使用传感器作为数据源的许多工作已开发16.，17.］．在儿童活动的认可和分类领域，普通数据源是摄像机，加速度计和射频设备[18.，19.］．这一领域的大多数作品都是通过将传感器直接放置在儿童的衣服上来进行数据采集的，这有一个缺点，即这些传感器可能会干扰儿童的自然行为，改变他们通常进行的和打算分析的活动。此外，正如Wu等人的工作所提到的[20.),这种方法可以进行基于的一个主要角色和机会在当今信息和通信技术,可持续发展目标,可持续发展在收购数据可以帮助所有国家的目的研究发展的多种用途。

使用不干扰待分析活动的性能的数据源是使用嵌入式传感器的另一种选择。声音被用作数据源[21.，22.的优点是，它的捕获不会干扰所分析的活动，因为捕获设备不必嵌入到衣服中，而且它可以与正在进行活动的地方保持一定的距离。此外，无需使用传感器或特殊硬件，可以直接使用移动设备的麦克风捕捉周围声音。大数据系统的发展概况，Atat等人的工作[23.[如果提出了不同阶段，包括数据收集，存储，访问，处理和分析，包括通过网络生成的大量数据，开发全景调查。

要使用声音对儿童活动进行识别和分类，需要选择音频特征，生成一个模型，该模型通过部分数据集训练，能够预测给定的音频属于哪一类。对于这些模型的生成，遗传算法，Galgo (R package) [24.基于一组算法来实现，实现了用作分类方法的一组算法。本工作实现了k最近邻（K-NN），最近的质心（NC），人工神经网络（ANNS），随机森林（RF）和递归分区树（RPART）分类方法，它们是常用于的算法人类活动的认可和分类[25.- - - - - -29.］．

拉布拉多实施入选给出的可用性来选择相关的功能，模型的一个现象的行为，即使在大搜索和生物信息学应用程序的开发。该算法已经在多种类型的信号，诸如磁场证明是有用的[30.，复杂系统[31.]和从医学图像中提取的特征[32.，33.，举几个例子。

在Blanco-Murillo等人的研究中[34.]，用上述算法生成儿童活动环境声音分类模型。这些模型是用从音频中提取的34个特征集生成的，达到较高精度的分类器是k-NN，准确率为100%。

以前,我们提出了一个工作,一个更大的数据集和同一组中提取特征,我们执行一个特征选择的过程使用Akaike标准,获得27-feature子集生成的模型相同的分类算法之前所提到的,实现精度大于90%,由于特征选择过程，数据集的大小减少了20%，而额外的树分类器获得了最高的精确度0.96%。

在目前的工作中，相同的音频记录和相同的提取的特征集合被使用，但是现在正在执行的更有效的特征选择过程中，采用遗传算法，平涂，[35.]，生成识别和分类儿童活动模型用相同的分类算法和一个精简的数据集，只对所包含的活动的最显著特征进行分析，在原始数据集的大小中寻找精简。

因此，本文所要解决的主要问题是:是否有可能通过遗传算法的实现，建立一个基于环境声音的儿童活动分类简化特征模型?

作为一项针对移动设备使用和实现的工作，数据集大小的减少对设备的处理时间和资源产生了积极的影响，因为它使用的数据量更少。

2.材料和方法

这项工作的方法包括四个主要阶段，首先是简单的数据预处理，将音频信号分成较短的时间间隔。然后，从音频信号中提取一组特征，然后基于遗传算法进行特征选择。为了验证这一特征选择，我们使用了五种不同的分类方法。

使用Python编程语言进行特征提取过程[36.]，而特征选择过程和模型验证则使用R开发环境和Galgo库进行[24.］．

2．1.数据描述

在目前的工作中所使用的记录被从先前的工作采取[37.］．这些记录属于四个不同的活动，如表所示1．

２.２.数据预处理

数据预处理包括将音频信号划分为10秒的时间间隔。

２.３.特征提取

在特征提取方面，从音频信号的10秒间隔中提取一组数字特征，如表所示2．

这些34提取的特征是通过音频在音频分析和活动识别活动中使用的特征[38.- - - - - -41.]，特别是梅尔频谱系数，因为许多音频分析工程已开发出利用它们的[21.，42.- - - - - -44.］．

2.4。特征选择

特征选择的目的是通过识别那些存在于音频的分类的最显著行为减少的特征的数量。对于这个阶段，遗传算法（GA），“平涂” [24.]，被实现，使用5个不同的分类方法，以便获得的五个特征子集。这些分类方法包括K-NN，NC，RF，ANN和RPART的。

Galgo是在R [45.]的语言，使用面向对象的方法实现，并且基于一般的适应度函数来指导特征选择。法老王的程序设计开始与功能的子集，被称为染色体的随机人群。每个染色体被评估测量其来预测输出或取决于特征的基础上，准确度的能力。对于该评价中，被包括在分类方法。其主要思想是用新的，其包括从呈现更高的分级精度不同的染色体上的特征来代替初始群体。重复这个过程足够的时间来达到所需的精确水平。染色体人口的逐步改善的灵感来自于自然选择的过程基于三个原则，选择，突变和交叉进行。

在简历中，Galgo的申请主要分为四个阶段:（1)建立分析．在这一阶段，对算法的参数进行设置，包括输入数据、结果、统计模型、期望精度、误差估计方案、分类方法等。(2）寻找相关的多元模型．该阶段包括在选择开始与染色体的随机人群的基础上，分类方法，寻找当地最好的解决方案的过程。（3）局部解的提炼与分析．然后，被选择的染色体采用逆向选择策略，因为即使这些染色体具有最好的准确性，模型中也可能包含对适应度值没有显著贡献的特征。该策略的目标是得到一个只包含对分类精度有有效贡献的特征的染色体种群。（4）一个最后的统计模型的开发．最后，基于正向选择策略，通过逐步包含，选择染色体群体中出现频率最高的基因，得到一个具有代表性的模型。

2.4.1。分类方法

(1)基于事例．该方法已广泛应用于不同的统计应用。它提出了一种非参数方法，其基础由一组训练数据组成k样品鉴定为最接近未知样品。为了开发这种方法中，欧几里得距离，定义为 ，一组给定的查询和所述输入之间，进行计算，识别所述k最近的输入点，每个查询。然后，将未知样品的输出由计算平均的输入特性决定，基于所述初始k样品(46.］．

(2)数控．该方法提出了一种分区聚类方法，将数据对象分组为k根据相似性聚类。的参数k必须在开始时指定。质心的第一个选择是随机的。为了测量质心和数据对象之间的亲密度，计算欧几里得距离，即余弦相似度。然后，在第一次分组后，得到每个聚类的新质心，以及每个数据对象到每个中心的距离，根据距离重新分配数据点。如果该点与集群中所有对象的距离之和达到最优极小值，则将该点视为质心。NC的主要目标是最小化聚类对象与其质心之间的距离之和[47.］．

（3）RF．该分类器由Breiman等人开发[48.］．其性能由两级随机性用于树木的建造，从一个培训数据的启动版本，称为BAGGANG，其中培训数据的子集是根据替换原理的，虽然剩余的数据用于估计错误，但计算袋子外（OOB）错误。然后，在树的第二级，在决策树的增长过程中随机选择特征子集并将其添加到每个节点。在每个节点中，选择最佳功能，寻找减少标签错误。这种方法基于所有决策树的大多数投票原则基础。递归地重复该过程，直到达到森林中的定义深度或节点中的样本数量不超过阈值[49.，50.］．

(4)安．在这种方法中，执行了基于特征的关系的特定任务搜索。其过程包括在学习或培训类似于生物神经网络的行为。通过一系列不同的标签包含节点或神经元，人工神经网络试图找到输入功能和结果之间的关系模型。三个主要的元素存在于该方法中：（1）一组的突触或连接，其特征在于其中所述输入信号是通过其与在这方面的重量产物连接到神经元的一个“权重”的;（2）一个加法器，其聚集由所有的权捣烂的信号的贡献;和（3）的激活功能，等同于一个传递函数，这是影响神经元，允许以限制的结果的幅度，在有限值方面[提供允许范围的结果信号51.］．

（5）RPART．这是一种多变量分析的统计方法，将样本分成不同的同质风险组，以确定生存预测因子。该算法包括选择预测器，提供最优分裂，这样每个子组的结果更同质。根据每个子组的最佳分割特征，这些子组被分为更小和更同质的子组。一个连续的迭代过程被执行，直到为附加分割提供很少的值为止。对原始的分块树进行修剪，将分块树剪回总体预测精度最大的点，防止数据过拟合[52.］．

3.结果

在表3.，在本工作中，以及执行音频的对应的划分之后产生十秒钟的剪辑数量分析录音为每个活动的数量，被示出。

为了进行分析，从每个10秒剪辑中提取34个特征，组成2716个样本数据集。

桌子4给出了GALGO中使用的遗传算法的一般参数。

一提的是，选择染色体的大小是很重要的，在配置中表示默认由法老王，这是五，受到尊重，由于不同的点。首先，由于数据集的大小是不是非常大，它需要减少该模型的尺寸不会为了测试妥协分类的性能，以避免在最终的发展模式随机性，与特征选择的稳健性。相反，这是法老王受让人在默认情况下，如果用户没有，因为，根据其描述的文献报道指定染色体的大小数量，这是一个已经提出了特征选择性能最好的染色体数目对不同的方法。这是壁龛的数目[的选择相同的情况下53.］．

数据1- - - - - -5显示健身每个世代200演变为分类方法的性能，K-NN，NC，ANN，RF，和RPART，分别。从这些图中，它可以从图中可以观察到的4中，对应于RF，健身（在所示Y轴）是从过程开始时具有更高精度的轴，就GA的不断变化的过程稳定。

数据6- - - - - -15.显示了分别为k-NN、NC、ANN、RF和Rpart分类方法开发的300个模型中特征出现的频率。这些以黑色呈现的特征是出现频率最高的五个特征，因此被选为最具代表性的特征。从这些，低计算成本的算法(如k-NN, Rpart，和NC)获得一个稳定的频率(如Y而复杂的模型，如ANN和RF，则倾向于根据描述现象的能力对基因进行排序。

从图6，8，10.，12.,14.、表5显示了由Galgo为每个分析的分类器确定的五个特征子集。在每种情况下，由特征选择过程产生的子集导致的精度如表所示6其中可以看出，所有的分类器实现的平均精确度高于0.81，与RF是所述一个0.92的最高准确度。

从表6，可以观察到使用射频分类器选择的一些特征也会出现在其他模型中。这些特征是能量、谱宽、谱rolloff和MFCC2，而MFCC3特征只出现在使用RF得到的模型中。

桌子7表示各分类方法通过遗传算法所获得的准确率，与之前赤池准则进行特征选择工作所获得的准确率[37.并将结果与经典的前向选择和后向消除特征选择方法进行了比较。桌子7并将结果与用完整特征集生成的模型所获得的精度进行了比较。可以观察到，通过遗传算法Galgo进行的特征选择过程使原始数据集的大小减少了80%，对于所分析的五种分类技术中的四种，保持了0.85以上的音频分类准确率。

4.讨论和结论

本工作的目的是确定一组减少的特征，通过由遗传算法的执行的选择过程中，使用不同的分类技术，它允许一组子活动的分类模型的基于环境的代声音。桌子7将本研究所得的结果与以往文献所报道的结果进行了比较，并与经典特征选择技术所得结果进行了比较。在这些结果中,可以观察到,当没有使用特征选择技术(生成模型和完整的数据集),事例的分类器达到100%的准确率,但RF分类器实现一个只有76%的准确性,从中可以得出的结论是,使用的所有特性的事实不能确保一个完美的分类;此外，考虑到34个特征，k-NN似乎容易过度拟合，因为有一些特征不会提供相关或冗余的信息进行分类，此外，更多数据的使用直接影响处理时间。

在分析实现特征选择的模型的结果时，在生成由Akaike准则选择实现的27个特征组成的模型时，RF分类器的分类准确率提高到95%，这意味着该分类器受益于应用特征选择，消除冗余数据和其他影响分类的信息，而对于k-NN分类器，准确率保持在94%以上，减少了20%的数据使用量。

结果中所示的经典特征选择方法，前向选择和后向消除，在生成30个特征的模型时，结果相似，准确率大于88%。当使用相同的方法将特征数量减少到5个时，准确率超过了78%，这意味着分类器的准确率有了相当大的下降，尽管这得益于使用的数据量的减少。

因此，GA方法显示了重要的特征约简，仅为原始特征的14%(5)，达到了比使用更多特征创建的模型(30或34)更高的精度，几乎与使用27个特征创建的模型相同(Akaike准则)，就移动设备而言，这意味着需要更少的处理功耗，而且精度几乎与更复杂的机型相同。

从GA行为图描述1图15.，有几个有趣的点必须提及：（一世）数据1，2和5中，对应于K-NN，NC和RPART的进化过程中，呈现出特定的行为。在变异过程这些低计算成本的算法包括降低模型的适应度，最后这些功能从选择几乎立即排除功能。(2)在数据7，9和15.，上面所描述的行为，几乎相同的频率，最终选择的特征为每个算法。(3)否则，如图所示3.和4该算法例如RF和ANN具有平滑的进化过程中，给定的功能，以寻找特征之间的更复杂的关系。

因此，在部分获得从结果3.可以得出的结论是，由遗传算法确定的五个特征集实现了使用原始功能集生成的模型的类似精度，但是在数据集大小中减少了80％，包括其所有优势诸如更快的数据处理，例如更快的数据处理，这在利用移动设备的应用程序以来的资源有限时非常重要。

5.未来的工作

目前的工作使我们能够证明，通过遗传算法应用特征选择来生成儿童活动分类模型是可能的，准确率大于81%，使用的数据集减少了85%;但是，有些方面可以在未来进行。拟开展的工作如下:（一世）要使用不同的功能集工作。要提取的音频文件大特征集来验证的现在分析有不同的功能集的特征选择方法的行为和对比，在这项工作中取得的成果，以最终确定的功能子集最能说明活动。(2)结合特征选择方法。生成使用由本作中提出的方法的组合产生的特征子集的分类模型与特征选择的经典方法，例如前向选择和向后消除。

数据可用性

打开数据文件可在https://ingsoftware.reduaz.mx/amidami

的利益冲突

作者声明他们没有利益冲突。

参考文献

1. M. G.纳瓦罗，“科技智慧AMBIENTAL：entornos INTELIGENTES事前报desafío德洛斯procesos inferenciales”Eidos: Revista de Filosofía， vol. 15, pp. 184-205, 2011。视图:谷歌学术
2. D. Ding, R. A. Cooper, P. F. Pasquina，和L. Fici-Pasquina，“智能家居的传感器技术”，matuitas，卷。69，没有。2，pp。131-136,2011。视图:出版商网站|谷歌学术
3. A. H.巴克曼，M.梅菲尔德和S. B. M.贝克，“什么是智能建筑？”智能和可持续的建筑环境，第3卷，第2期。2, pp. 92-109, 2014。视图:出版商网站|谷歌学术
4. H. Chourabi，T.南，S. Walker等，：“了解智能城市的综合框架”2012年第45届夏威夷国际系统科学会议的诉讼程序毛伊岛，HI，美国，2012年1月。视图:谷歌学术
5. Y. Kim和H.灵，“人类活动分类基于使用支持向量机微多普勒签名，”地球科学与遥感学报，卷。47，没有。5，第1328至1337年，2009年。视图:谷歌学术
6. A. Mannini和A. M. Sabatini，“使用马尔可夫建模的基于加速度测量的人类活动分类”，计算智能和神经科学， 2011年第1期，文章编号647858,10页，2011年。视图:出版商网站|谷歌学术
7. M. Zenaldin和R. M. Narayanan，“基于雷达微多普勒的室内和室外环境的人类活动分类”雷达传感器技术XX的诉讼，巴尔的摩，MD，USA，2016年5月。视图:谷歌学术
8. M. Maciejewska, A. Szczurek和A. Dolega，“利用微气候传感器和半导体气体传感器对室内人类活动进行分类”，刊于第八届传感器网络国际会议论文集，布拉格，捷克共和国，2019年2月。视图:谷歌学术
9. S. Walke，S.马恩，O.朗格，A.库尔卡尼和S.马哈詹，“人检测和使用多传感器数据融合监测系统”，在2018第二届智能计算与控制系统国际会议论文集(ICICCS)2018年6月，印度马杜赖。视图:出版商网站|谷歌学术
10. A. Bayat, M. Pomplun和D. A. Tran，“利用智能手机的加速度计数据进行人类活动识别的研究，”程序计算机科学， vol. 34, pp. 450-457, 2014。视图:出版商网站|谷歌学术
11. H. Medjahed, D. Istrate, J. Boudy, and B. Dorizzi，“利用模糊逻辑进行养老院监测的人类日常生活活动识别”，刊于2009年IEEE模糊系统会议的诉讼程序，济州岛，韩国，2009年8月。视图:出版商网站|谷歌学术
12. S. Chernbumroong，S沧，A阿特金斯和H.宇，“老人活动的识别和分类在辅助生活应用，”与应用专家系统，卷。40，不。5，第1662至1674年，2013。视图:出版商网站|谷歌学术
13. S. Boughorbel, J. Breebaart, F. Bruekers, I. Flinsenberg，和W. T. Kate，“来自多传感器数据的儿童活动识别”在方法第七届国际会议论文集和技术行为研究-MB 102010年8月，荷兰埃因霍温。视图:出版商网站|谷歌学术
14. Y. Nam和J. W. Park，“基于协同融合模型的三轴加速度计和气压传感器的儿童活动识别”，IEEE生物医学和健康信息学杂志，卷。17，不。2，pp。420-426,2013。视图:谷歌学术
15. L. Piyathilaka和S. Kodagoda，“家用机器人的人类活动识别”，斯普林格大港高级机器人领域和服务机器人，施普林格，瑞士Cham，2015年。视图:谷歌学术
16. “多传感器数据融合的分类模型在人类活动识别中的应用”2014年2014年计算机，通信和控制技术会议（I4CT）的诉讼程序，浮罗交怡，马来西亚，2014年9月。视图:谷歌学术
17. O. D.拉拉和M. A.拉布拉多，“关于使用穿戴式传感器的人类活动识别的调查，”IEEE通信调查与教程，第15卷，第5期。3, pp. 1192-1209, 2013。视图:出版商网站|谷歌学术
18. S. Kurashima和S. Suzuki，“幼儿园儿童增长监测系统的活动认可的提高”IECON 2015 - 41 IEEE工业电子学会年会论文集，日本横滨，2015年11月。视图:谷歌学术
19. T. L. Westeyn, G. D. Abowd, T. E. Starner, J. M. Johnson, P. W. Presti，和K. A. Weaver，“使用增强玩具和活动识别来监测儿童的发展进程”，个人和普适计算，卷。16，不。2，第169-191，2011。视图:出版商网站|谷歌学术
20. 吴建军，郭树国，黄华，刘伟，向阳，“信息与通信技术在可持续发展目标中的应用:现状、需求与展望，”IEEE通信调查与教程，第20卷，第2期。3, pp. 2389-2406, 2018。视图:出版商网站|谷歌学术
21. C.E.Galván-Tejada，J.I.Galván-Tejada，J. M.Celaya-Padilla等，“使用遗传算法，随机林和神经网络开发人类活动识别模型的音频功能分析”移动信息系统文章编号1784101,10页，2016。视图:出版商网站|谷歌学术
22. J. M.辛，李Y.和O权，“在日常生活中对智能家居服务人类活动的声学传感器基于承认”国际分布式传感器网络杂志，第11卷，第5期。9、文章ID 679123, 2015。视图:出版商网站|谷歌学术
23. R. ATAT，L.刘，吴J.，G李，叶C.和Y.杨，“大数据符合网络物理系统：全景调查”IEEE访问，第6卷，第603-636页，2018。视图:出版商网站|谷歌学术
24. V. Trevino和F. Falciani，《Galgo:一个使用遗传算法的多元变量选择的r包》，生物信息学，卷。22，没有。9，第1154至1156年，2006年。视图:出版商网站|谷歌学术
25. M. Kose, O. D. Incel，和C. Ersoy，“智能手机上的在线人类活动识别”移动传感研讨会论文集:从智能手机和可穿戴设备到大数据，第16卷，第11-15页，北京，中国，2012年4月。视图:谷歌学术
26. 马苏德和帕帕尼科洛普洛斯，《认识人类活动》，刊于在IEEE会议上先进的视频和基于信号监测，2003论文集，第157-162，IEEE，迈阿密，FL，USA，2003年7月。视图:谷歌学术
27. J. Parkka, M. Ermes, P. Korpipaa, J. Mantyjarvi, J. Peltola, I. Korhonen，“利用可穿戴传感器的真实数据进行活动分类”，IEEE交易信息技术在生物医学，卷。10，没有。1，第119-128，2006年。视图:出版商网站|谷歌学术
28. P. Casale, O. Pujol，和P. Radeva，“利用可穿戴设备从加速计数据进行人类活动识别”模式识别和图像分析，页289-296，施普林格，柏林，德国，2011。视图:出版商网站|谷歌学术
29. C.施特罗布尔，J.马利，和G. Tutz，“一个介绍递归分割：基本原理，应用和分类和回归树，装袋的特征，和随机森林”心理的方法第14卷第2期4，页323-348,2009。视图:出版商网站|谷歌学术
30. C.加尔万-特哈达，J.加西亚 - 克斯和R.布雷尼亚，“磁场特征提取与选择用于室内位置估计，”传感器第14卷第2期6、pp. 11 001-011 015, 2014。视图:出版商网站|谷歌学术
31. C. Rojas-Guzman和M. a . Kramer，“使用遗传算法方法对复杂工业系统进行远程诊断和监测”，发表于1994年IEEE工业电子学国际研讨会论文集，第363-367，IEEE，智利圣地亚哥，1994年5月。视图:谷歌学术
32. c.d. Luna-Gómez, l.a. Zanella-Calzada, m.a. Acosta-García, j.i.b iv, c.e. Galván-Tejada，和j.m. Celaya-Padilla，“基于moaks的多变量模型能预测膝关节疼痛吗?数据来自骨关节炎倡议医学影像学报2017:计算机辅助诊断，第10134卷，国际光学和光子学会，奥兰多，佛罗里达，美国，2017年2月。视图:谷歌学术
33. C. Galván-Tejada, L. Zanella-Calzada, J. Galván-Tejada等，“计算机辅助诊断乳腺癌图像描述符数据的多变量特征选择”，诊断，卷。7，不。1，p。9日，2017年。视图:出版商网站|谷歌学术
34. D. M. Blanco-Murillo, A. García-Domínguez, C. E. Galván-Tejada, and J. Celaya-Padilla, “Comparación del nivel de precisión de los clasificadores support vector machines, k nearest neighbors, random forests, extra trees y gradient boosting en el reconocimiento de actividades infantiles utilizando sonido ambiental,”计算机科学研究第147卷5, 2018。视图:谷歌学术
35. G. Chandrashekar和F. Sahin，“特征选择方法的调查”，计算机与电气工程，卷。40，不。1，第16-28，2014。视图:出版商网站|谷歌学术
36. 欢迎来到python.org,https://www.python.org/．
37. A.加西亚 - 多明戈斯和C. E.加尔万-特哈达，“Reconocimiento德ACTIVIDADES infantiles utilizando SONIDO AMBIENTAL：未enfoque preliminar，”计算机科学研究，第139卷，第71-79页，2017。视图:谷歌学术
38. E. D. Scheirer，《原声音乐信号的节奏和节拍分析》，美国声学学会杂志号，第103卷。1，页588-601,1998。视图:出版商网站|谷歌学术
39. H. Wang，A. Divakaran，A.Vetro，S.-f.Chang和H. Sun，“视听索引和分析中使用的压缩域功能调查”，杂志视觉传达和图像表示第14卷第2期2，第150-183，2003。视图:出版商网站|谷歌学术
40. G. Tzanetakis和P. Cook，“IEEE语音和音频处理出版物信息交易”，IEEE交易在语音和音频处理，第13卷，第2期3, p. 2, 2005。视图:出版商网站|谷歌学术
41. E. AARTS，J. Korst和W. Verhaegh，“算法在环境智能”环境智能，施普林格，柏林，德国，2005。视图:谷歌学术
42. J. A.鹳，L.斯皮内洛，J.席尔瓦和K. O.阿拉斯，“基于音频使用非马尔科夫合奏投票人类活动的认可，”在2012年IEEE RO-MAN会议论文集:第21届IEEE机器人与人交互交流国际研讨会2012年9月，法国巴黎。视图:谷歌学术
43. M.的Markakis“的音频分类任务相关的功能选择，”克里特岛伊拉克利翁，希腊，2011年，博士论文的大学。视图:谷歌学术
44. M. MASCIA，A.坎克利尼，F. Antonacci，M. Tagliasacchi，A.萨尔蒂和S. Tubaro，“基于声学线索的室内/室外分类的法医和抗法医分析，”在2015第23届欧洲信号处理会议论文集(EUSIPCO)，丹麦奥尔堡，2015年8月。视图:谷歌学术
45. R.ř核心团队，统计计算的语言和环境，R基金会统计计算，维也纳，奥地利，2019年，https://www.R-project.org/。
46. P. Thanh Noi和M. Kappas，“使用sentinel-2图像进行土地覆盖分类的随机森林、k-最近邻和支持向量机分类器的比较”，传感器第18卷第2期1、2018年第18页。视图:谷歌学术
47. A. R.乔杜里，T. Chatterjee的和S.班纳吉“在检测在视网膜异常的随机森林分类器基于的方法，”医学与生物工程与计算机(第57卷)1，页193-203,2019。视图:出版商网站|谷歌学术
48. L. Breiman，“随机森林”机器学习，卷。45，没有。1，第5-32，2001。视图:出版商网站|谷歌学术
49. 朱新民，杜新民，M. Kerich, F. W. Lohoff, R. Momenan，“基于随机森林的静息状态mri对酒精依赖患者和健康对照组的分类”，神经学字母，第676卷，第27-33页，2018。视图:出版商网站|谷歌学术
50. F.Vekeman，J.E.Piña-garza，W. Y. Cheng等，“发展分类器，以通过随机森林方法论识别医疗保险声明数据库中可能的Lennox-Gastaut综合征的患者，”当前医学研究和观点，卷。35，不。8，第1415至1420年，2019。视图:出版商网站|谷歌学术
51. L. Zanella-卡尔萨达，C.加尔万-特哈达，N.查韦斯-拉莫斯等人，“用于诊断使用社会经济和营养特征决定龋齿的深人工神经网络：数据从NHANES 2013-2014，”。生物工程，第5卷，第5期。2，第47页，2018。视图:出版商网站|谷歌学术
52. J.-X.林，Z.-K.王，王W.等人，“开发和基于递归分割分析淋巴结阴性胃癌的新分期系统的验证：国际多中心研究”癌症医学，第8卷，第2期6, pp. 2962-2970, 2019。视图:谷歌学术
53. V. Trevino和F. Falciani，“Galgo:来自大规模功能基因组学数据的多元统计模型的遗传算法”，2018，https://CRAN.R-project.org/package=galgo．视图:谷歌学术

版权

版权所有©2020 Antonio García-Dominguez等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。