1 December 2021 in Expert Systems with Applications
7 August 2013 in Computer and Information Science
Presently, sentence-level researches are very significant in fields like natural language processing, information retrieval, machine translation etc. In this paper we present a practical task on sentence classification. The main purpose of this work is to classify the abstract sentences of scientific papers in the corpus built by ourselves into four categories- the background, the goal, the method and the result- which differ from each other in common usage, so that we can do further researches such as frequent pattern mining, information extraction and making a corpus for writing assistant system of scientific paper with these results. The main method of the classification is the Support Vector Machine, which is acknowledged among the best machine learning methods in the common text classification tasks. A semi-supervised method, Transductive Support Vector Machine, is also introduced into this four-class classification task to improve the accuracy. The experiments are conducted upon the corpus made by ourselves that consists of abstract sentences of scientific papers. The accuracy of the classifier finally reaches 75.86% with the semi-supervised method.
1 April 2026 in Journal of Health Informatics
Objetivo: Avaliar o desempenho dos métodos Symbolic Aggregate approXimation e Symbolic Fourier Approximation na representação simbólica de séries temporais de movimentos articulares humanos. Foram considerados três tipos de movimento (flexão/extensão, abdução/adução e circundução) e três tamanhos de alfabeto (três, sete e dez símbolos). Métodos: Oito voluntários saudáveis realizaram os movimentos com um smartphone fixado ao punho para coleta de aceleração. Os sinais foram suavizados com filtro Gaussiano (σ = 2), segmentados e convertidos em palavras simbólicas pelas abordagens avaliadas. Resultados: O desempenho dos métodos variou conforme o movimento. Para abdução/adução, Symbolic Fourier Approximation apresentou menores distâncias médias de Hamming, com diferença estatisticamente significativa. Para flexão/extensão, Symbolic Aggregate approXimation foi significativamente superior. Para circundução, Symbolic Fourier Approximation apresentou menor média, porém sem superioridade estatística. Na síntese entre as melhores configurações por movimento, a menor distância média global foi observada em uma configuração do Symbolic Fourier Approximation (circundução). Conclusão: A avaliação indica que não há um método universalmente superior; a escolha do método e da parametrização deve considerar o tipo de movimento e a consistência entre sujeitos. Esses achados apoiam a seleção de configurações específicas por movimento em aplicações de saúde digital, como monitoramento remoto, mHealth, Telessaúde e apoio à decisão clínica.