The data used in this study is reco

The data used in this study is recorded continuously during the process where subjects manipulate characters to collect shapes in a game by controlling their movements. Therefore, between the values of the signals obtained at consecutive time points within a period, there may exist relationships and connections. The input data of the model is described in Table II, where the authors consider each value of the ratio theta/high beta and theta/low beta at time intervals of 0.1s (within a time range of 0.5s) as a distinct feature of the sample. The LDA algorithm performs a transformation of the data's characteristics from a higher-dimensional space to a lower-dimensional space, which may be a reason for the reduced performance of the model. Additionally, the SVM model creates non-linear hyperplanes to separate the data, while LDA uses linear decision boundaries. This will result in differences in the classification outcomes between the two models, especially for data with abrupt changes and a lack of regularity, such as EEG data of patients with ADHD.

Kết quả (Việt) 1:

Dữ liệu được sử dụng trong nghiên cứu này được ghi lại liên tục trong quá trình các đối tượng thao tác với các nhân vật để thu thập hình dạng trong trò chơi bằng cách điều khiển chuyển động của họ. Vì vậy, giữa các giá trị của tín hiệu thu được tại các thời điểm liên tiếp trong một khoảng thời gian có thể tồn tại mối quan hệ, mối liên hệ. Dữ liệu đầu vào của mô hình được mô tả trong Bảng II, trong đó các tác giả coi từng giá trị của tỷ lệ theta/beta cao và theta/beta thấp tại các khoảng thời gian 0,1 giây (trong khoảng thời gian 0,5 giây) là một đặc điểm riêng biệt của mẫu. Thuật toán LDA thực hiện chuyển đổi các đặc điểm của dữ liệu từ không gian có chiều cao hơn sang không gian có chiều thấp hơn, đây có thể là lý do làm giảm hiệu suất của mô hình. Ngoài ra, mô hình SVM tạo ra các siêu phẳng phi tuyến tính để phân tách dữ liệu, trong khi LDA sử dụng các ranh giới quyết định tuyến tính. Điều này sẽ dẫn đến sự khác biệt về kết quả phân loại giữa hai mô hình, đặc biệt đối với dữ liệu có sự thay đổi đột ngột và thiếu tính đều đặn, chẳng hạn như dữ liệu EEG của bệnh nhân ADHD.

Kết quả (Việt) 2:

Dữ liệu được sử dụng trong nghiên cứu này được ghi lại liên tục trong quá trình đối tượng thu thập các hình dạng trong trò chơi bằng cách điều khiển hành động của nhân vật. Do đó, có thể có mối quan hệ và kết nối giữa các giá trị của tín hiệu thu được tại các thời điểm liên tục trong một khoảng thời gian. Dữ liệu đầu vào cho mô hình này được thể hiện trong Bảng II, trong đó các tác giả cho rằng mỗi giá trị của tỷ lệ theta/cao và theta/thấp beta là một đặc điểm khác nhau của mẫu trong khoảng thời gian 0,1 s (trong khung thời gian 0,5 s). Thuật toán LDA thực hiện chuyển đổi các đặc tính dữ liệu từ không gian cao sang không gian thấp, có thể là lý do tại sao hiệu suất mô hình bị giảm. Ngoài ra, mô hình SVM tạo ra một siêu phẳng phi tuyến tính để tách dữ liệu, trong khi LDA sử dụng ranh giới quyết định tuyến tính. Điều này sẽ dẫn đến sự khác biệt trong kết quả phân loại giữa hai mô hình, đặc biệt là đối với dữ liệu có sự thay đổi đột ngột.

Kết quả (Việt) 3:

Dữ liệu được sử dụng trong nghiên cứu này được ghi lại liên tục khi các đối tượng thao tác các nhân vật để thu thập các hình dạng trong trò chơi bằng cách điều khiển chuyển động của họ. Do vậy, có thể có mối quan hệ và liên kết giữa các giá trị tín hiệu nhận được tại một thời điểm liên tiếp trong một chu kỳ. Dữ liệu đầu vào của mô hình được mô tả trong bảng II, trong đó các tác giả xem mỗi giá trị của teta / cao β và teta / thấp β với khoảng thời gian là 0.1s (trong khoảng thời gian 0.5s) như là một tính năng độc đáo của mẫu. Thuật toán LDA thực hiện việc chuyển đổi các đặc tính dữ liệu từ không gian có kích thước cao sang không gian có kích thước thấp, có thể là nguyên nhân của việc giảm hiệu suất của mô hình. ngoài ra, mô hình svm tạo ra các siêu mặt phẳng phi tuyến tính để tách dữ liệu, trong khi lda sử dụng các ranh giới quyết định tuyến tính. Điều này sẽ dẫn đến sự khác biệt trong kết quả phân loại giữa hai mô hình, đặc biệt là đối với dữ liệu có đột biến và thiếu sự thường xuyên, chẳng hạn như dữ liệu EEG của bệnh nhân ADHD.