Ulotteisuuden pienentäminen pääkomponenttianalyysilla liikeanalyysissa

Liikeanalyysissa tuotetaan paljon korkeaulotteista mittausdataa, jonka käsittelyyn tarvitaan usean muuttujan menetelmiä. Suuret datamäärät johtavat myös siihen, että menetelmät tarvitsevat enemmän laskentatehoa. Ohjaamattomaan oppimiseen kuuluva ulotteisuuden pienentämisen menetelmä pääkomponenttian...

Täydet tiedot

Bibliografiset tiedot
Päätekijä: Lempinen, Aleksander
Muut tekijät: Informaatioteknologian tiedekunta, Faculty of Information Technology, Informaatioteknologia, Information Technology, Jyväskylän yliopisto, University of Jyväskylä
Aineistotyyppi: Kandityö
Kieli:fin
Julkaistu: 2019
Aiheet:
Linkit: https://jyx.jyu.fi/handle/123456789/63598
Kuvaus
Yhteenveto:Liikeanalyysissa tuotetaan paljon korkeaulotteista mittausdataa, jonka käsittelyyn tarvitaan usean muuttujan menetelmiä. Suuret datamäärät johtavat myös siihen, että menetelmät tarvitsevat enemmän laskentatehoa. Ohjaamattomaan oppimiseen kuuluva ulotteisuuden pienentämisen menetelmä pääkomponenttianalyysi on laajasti käytössä liikeanalyysissa. Tässä tutkielmassa käsitellään pääkomponenttianalyysin hyödyntämistä kliinisessä liikeanalyysitutkimuksessa. Human locomotion research or gait analysis measurements produce large amounts of high-dimensional data, which requires a multivariate approach. Large amounts of data also require more computational resources. Pricipal component analysis which is an unsupervised dimensionality reduction method is in widespread use in gait analysis. This thesis addresses applications of principal component analysis in clinical gait analysis.