连续人类活动加速度计的无监督分类（聚类）答案

【问题标题】：Unsupervised classification (clustering) for continuous human activity accelerometer连续人类活动加速度计的无监督分类（聚类）
【发布时间】：2018-07-11 18:45:12
【问题描述】：

我在连续锻炼期间有加速度计数据（X、Y、Z）。如图所示，将数据聚类到给定练习中的最有效方法是什么？ IE。过渡/休息、深蹲、弓步、步行、二头肌弯举和肩部推举的无监督分类。

我以前使用过 k-means，但这需要我将样本切割成 epoch 并为每个 epoch 完成描述性统计（平均值、范围等），我想避免这种情况，因此 epoch 不一定对齐随着运动的开始。

最后，我希望能够运行加速度计数据并确定用户完成了多长时间/多少次锻炼。

【问题讨论】：

你是聚类还是分类？您想将信号分类为深蹲、步行等，还是将它们归类为锻炼时间段？
@Neil 据我了解，无监督分类类似于聚类。因此，我想将未标记信号的周期分类为蹲下、步行等，但由于我无法标记所有数据，因此我想创建集群。
是的，我问你是聚类还是分类的原因是分类通常应该受到监督。让聚类（无监督）算法准确得出您想要的那些类别将非常棘手。
如果是连续数据，您还必须将其分成某种“批次”。你可以把这些做得很小。但我不明白你如何对无限多的点进行分类。
您是否将任何信号放入频域？

标签： machine-learning accelerometer

【解决方案1】：

聚类和分类都依赖于一组具有合适信息的特征来预测基础类。对于时间序列数据，标准方法是帧包，将其分成称为帧的小（重叠）块。帧长度应该比需要检测的类别的最小时间跨度短得多，但必须足够长以捕获相关特征。在运动数据中，它可能应该有时间进行 N 次重复，例如 5 秒左右。这些框架不会也不需要与您的活动保持一致。

当活动发生变化时，在训练有素的模型中，所有类别的概率都应该很低，因此在这种情况下，只需避免输出预测即可。如果这还不够，您可以使用多数：要求 N（可能 3）个连续帧以相同的方式分类，以将其输出为真实预测。

如果帧包方法还不够，请考虑使用动态时间规整 (DTW)。

【讨论】：

嗨@jonnor。谢谢回复。我确实最终对数据进行了分箱，并且在他们锻炼时效果很好，但在休息/过渡期间效果不佳。我喜欢必须是连续集群的想法，所以我将尝试添加一个事后标准。也感谢您对动态时间扭曲的建议。我也会调查一下。
如果你还没有，可以考虑添加一个休息类。您可能还想添加一个简单的功能，如能量或 RMS 来帮助隔离此类。也可以使用专用的“活动/无活动”检测器，然后进行运动分类（级联），但首先尝试简单的事情

【解决方案2】：

聚会晚了一点，但我遇到了link to paper，名为“The Purr-fect Catch：使用加速度计和录音机记录小型猎物专家的杀戮率和狩猎行为”。

他们使用 1-d CNN 和使用“tsfresh”功能的 RandomForest 使用加速度计对 lynx 活动进行分类。选择适合活动的窗口大小，然后在预测后将它们聚集在一起形成完整的事件。显然，RandomForest 比 CNN 做得更好。

可能会有所帮助。

【讨论】：