天语手机软件，天语V209手机Java的软件( 五 )

请注意，虽然3至5岁儿童的人数并不是最多，但与大龄儿童和成人相比，我们收集的手指按压数量最多。这是因为这个年龄组的孩子更可能输入错误，因此他们尝试多次。在第二阶段，我们分别从儿童组和成人组收集了3442和3658次。总的来说，成人组在2048年的比赛中表现更好。
表2给出了滑动数据的样本，表3是点击数据的样本。轻击一般由两个动作组成：向下（“0”）和向上（“2”），而滑动有一个动作：触摸移动（“1”）。滑动由一系列触摸点组成。它从触摸屏幕开始，以手指提升结束。在每个点上，我们记录发生的时间，X-Y坐标，触摸区域的压力和大小以及手指ID 。事件时间以毫秒为单位，并基于智能手机自启动以来的非睡眠正常运行时间。压力和尺寸值均被标准化为0和1之间的范围，其中0意味着没有压力并且完全没有尺寸。
数据处理
我们从所收集的触摸数据中从两个方面提取特征：手的几何形状和灵活性。表4显示了滑动手势和轻击手势的功能描述。总共，我们提取了35个特征，并且点击了8个特征。
手部几何。手部几何形状的差异会导致触摸范围，触摸距离，触摸压力和尺寸方面的差异。特别地，表4中编号从1到19的特征是基于手部几何图形提取的。
灵活性。考虑到灵活性，我们提取了从20到35的16个特征。灵巧性主要影响速度，加速度和任务持续时间。
分类器和度量
分类选择。根据孩子和成人分类的以上特点，我们实现了三个机器学习分类器，即支持向量机（SVM），随机森林（RF）和k近邻（kNN）。支持向量机是二元分类的流行和强大的工具，它可以输出一个最优化的超平面，以最大化两个类之间的边界。最重要的是，它能够通过使用内核技巧将数据映射到更高维空间来解决非线性可分问题。
在这里，我们使用径向基函数（RBF）作为我们的非线性核。kNN是一种非参数方法，它没有数据的基础假设，每个样本都基于其邻居的多数投票分配给一个类。神经网络不基于训练数据进行任何概括，但它非常简单而且快速，同时具有高度竞争的结果。RF是另一种有效的算法，它能够准确地对大量数据进行分类。它是一种集成方法，它在训练时间内构造大量决策树，并输出所有模型中票数最多的类标签。它还给出了每个特征在分类中重要性的估计。
指标。为了评估二元分类器的性能，我们选择常用的性能指标：ROC（AUC）曲线下的面积和相等的错误率（EER）。ROC曲线代表受试者工作特征曲线，并通过绘制真实接受率（TAR）与错误接受率（FAR）的关系来创建，因为阈值变化。TAR是正确识别孩子的概率，而FAR是分类错误地接受孩子的概率。AUC是介于0和1之间的值，较大的值通常更好。EER是接受和拒绝误差相等时的速率，而这个值越低，分类者越好。
结果：
首先，我们将孩子的触摸数据分为两组，分成3至5岁的儿童和6至11岁的儿童两组。我们将所有成人数据视为阴性样本，并为每个组单独训练了一个RF分类器。
图4显示了两个年龄组的ROC曲线的比较。对于滑动和敲击，我们在对3至5岁的儿童组进行分类时有更好的表现。这是合理的，因为年龄较小的儿童在手部几何和灵活性方面往往与成年人更为不同。
多次滑动。在本节中，我们将探索将不同数量的连续滑动组合用于分类对性能的影响。到目前为止，我们只使用相对较大的滑动数据集来进行多笔划评估。首先，我们分开将数据集转换为训练和测试集。我们通过从每个年龄段的参与者中随机选择10％的连续样本来准备测试数据集。