月度归档： 2019年9月

1.在b站观看了吴恩达“机器学习”视频课程的第一堂课（五小节），主要是介绍机器学习概念，并说明了监督学习与无监督学习（无监督学习举了两个例子，聚类和鸡尾酒会问题）的差别：总结了一下主要包括如下三点：（1）对特征信息进行分类还是聚类（2）对输入数据是否降维（3）有标签还是无标签，部分相关知识在本科毕设时已经有了初步理解，这里又巩固了一些。下周计划完成第二课（单变量线性回归）。 2.进入Python的入门学习阶段，安装了Python开发环境PyCharm，具体的例程编译实现准备下周尝试，在入门的例程完成后准备尝试手写数字识别。 3.帮明贤师哥答题过程中，明贤师哥帮我复习了一下数据结构中队列、堆栈和二叉树相关知识，并针对判断出栈序列这种题总结了小窍门。 ...

本周主要精力集中到一个点：读论文。 本周大约粗读论文50篇左右，均为帕金森相关。经过梳理，得出如下结论（今后会有调整）： 1. 目前帕金森病的预诊正在向着多模态融合方向发展。比如：结合语音、步态、手写等内容进行综合判断。有一篇综述描述的相对清晰，值得一读。Multimodal Assessment of Parkinson’s Disease_ A Deep Learning Approach。 2. 从采集角度看，目前很多论文在提及辅音的采集。而且从资料上看，辅音的变化要早于原因。考虑到辅音采集的困难性，课题组暂时不考虑辅音的方案。 3. 另一种采集方案是自然语句的分析。有些论文提及让受试者读一段文章或诗歌，有些提及仅从日常生活中提取语音。这个应该是今后的主攻方向。其难点在于如何进行前期的降噪（构音障碍会不会被当做噪声被过滤？）以及有效音频的选择（如何构建任意语音与元音间的关系？） 4. 牛津大学和Little等人现在仍在做这个方向，但主攻内容为基于智能手机的采集，且发表了很多评价方法以及自动数据筛选（我觉得说清洗也可以）的论文。我没有看作者间的关系，估计是一个团队的。毕竟little是牛津毕业的，现在仍然有合作。这个内容更加侧重于信号处理，同时实用性更强。 /*********** 插播两个观点： 1）我们采集的数据是包含多元音的，这个可以为我们后期的语句分析做准备。且陈炜的毕业论文是关于不同元音分类度的分析。这部分可以考虑作为一个分支再总结一下。预计总结结果可以发表一篇至少2区SCI，并可以作为毕业论文的一章内容使用。 2）再拜访一位朋友时他提及我们的研究，建议我们尽快把方法做成芯片。做成芯片暂时不必要，但可以先做成FPGA。一年级的同学有感兴趣的可以和我联系。这部分会更偏重于实战，要求信号处理基础，后期需要硬件编程。 观点插播结束 ***********/ 5. 从目前的方法上看，用一个词来形容就是：枯燥。目前方法类研究的主力是土耳其人，但他们似乎也没有什么新意。做来做去无非是Little当年特征的各种特征选择，或者是深度学习的各种分析。从这个角度看，我们至少在想法上还是领先的。值得注意的是，在关于特征选择的论文中，CART的表现明显优于其他方法。这似乎说明了结构类方法的优势。也说明属性拓扑在此领域会有立足之地。 6. 从写作上看，如何作图以及如何写作是关键。大家平时要多读论文，注意别人是怎么来做的。 ...