बायोमीकेनिकल डेटा का बहु-श्रेणी वर्गीकरण: बहु-श्रेणी दंडित कार्यात्मक PLS पर आधारित एक कार्यात्मक LDA दृष्टिकोण

एक कार्यात्मक रैखिक विभेदन विश्लेषण दृष्टिकोण को विभिन्न शारीरिक गतिविधियों का प्रदर्शन करने वाले व्यक्तियों के काइनेटिक डेटा के सेट को वर्गीकृत करने के लिए किया जाता है। काइनेटिक डेटा, जो आमतौर पर रैखिक त्वरन या कोणीय घुमाव के प्रारूप में एकत्र किया जाता है, को निरंतर डोमेन (समय, गतिमान चक्र का प्रतिशत, आदि) में कार्यों के साथ पहचाना जा सकता है। चूंकि काइनेटिक वक्र उसी नमूने के व्यक्तियों में दर्ज किए जाते हैं जो विभिन्न गतिविधियाँ कर रहे होते हैं, इसलिए वे दोहराए गए मापों के साथ कार्यात्मक डेटा का स्पष्ट उदाहरण हैं। दूसरी ओर, नमूना वक्रों को शोर के साथ देखा जाता है। फिर, विभेदन कार्यों के चिकनी अनुमान को प्रदान करने के लिए एक खुरदरेपन का दंड आवश्यक हो सकता है, जो उन्हें अधिक अर्थपूर्ण बनाएगा। इसके अलावा, कार्यात्मक डेटा के अनंत आयाम के कारण, एक कमी आयाम तकनीक पर विचार किया जाना चाहिए। इन समस्याओं को हल करने के लिए, हम दंडित कार्यात्मक आंशिक सबसे छोटी चौकोर (FPLS) पुनग्रहन के लिए एक बहु-श्रेणी दृष्टिकोण का प्रस्ताव करते हैं। इसके बाद रैखिक विभेदन विश्लेषण (LDA) का प्रदर्शन अनुमानित FPLS घटकों पर किया जाएगा। यह कार्यप्रणाली दो केस स्टडीज से प्रेरित है। पहला अध्ययन 30 विषयों में हर दो सेकंड में दर्ज की गई रैखिक त्वरन पर विचार करता है, जो तीन विभिन्न गतिविधियों (चलना, सीढ़ियाँ चढ़ना और उतरना) से संबंधित है। दूसरा अध्ययन 51 बच्चों में प्रत्येक जोड़ के लिए त्रैआक्सीय कोणीय घुमाव के साथ काम करता है, जब उन्होंने तीन परिस्थितियों (चलना, पीठ पर बैग लाना और गाड़ी खींचना) के तहत एक चक्र पूरा किया। प्रस्तावित कार्यात्मक LDA के प्रदर्शन की तुलना करने के लिए एक अनुकरण अध्ययन भी विकसित किया गया है।