近年来,以医疗为代表的领域对海量心电数据和人体动作数据的分类需求与日俱增。因此,该文基于XGBoost算法对Physionet Cinc 2017数据集的两种心电数据(窦性心律和房颤)和芯原IMU数据集的六种人体动作数据(行走、慢跑、静坐、挥手、深蹲...近年来,以医疗为代表的领域对海量心电数据和人体动作数据的分类需求与日俱增。因此,该文基于XGBoost算法对Physionet Cinc 2017数据集的两种心电数据(窦性心律和房颤)和芯原IMU数据集的六种人体动作数据(行走、慢跑、静坐、挥手、深蹲和开合跳)进行分类,并且在RISC-V硬件上实现对它们的分类。经过一系列的数据处理、使用贝叶斯优化算法对超参数进行优化及训练后,对于心电数据分类,模型预测房颤心电数据和窦性心律心电数据的准确率分别为86.5%和94%,整体预测准确率为93%;对于人体动作数据分类,模型预测静坐、挥手、行走、开合跳、慢跑和深蹲的准确率分别为93.7%、73.3%、93%、88.7%、83.2%和89.4%,整体预测准确率为87%。通过实验比较XGBoost模型与SVM(支持向量机)模型、GBDT(梯度提升树)模型的性能差别,证明了XG⁃Boost在心电和人体动作数据分类上的优越性。之后在基于蜂鸟v2 E203 RISC-V处理器核的Nuclei MCU200T开发板上实现了心电和人体动作数据的分类,实验表明,该硬件平台能够成功对心电和人体动作数据进行分类并输出相应结果。展开更多
