连续人类活动加速度计的无监督分类（聚类）

Question

在连续练习中，我有加速度计数据（X，Y，Z）。如图所示，将数据聚类到给定的练习中，最有效的方法是什么？即过渡/休息，下蹲，弓步，步行，二头肌卷曲和肩部按压的无监督分类。

我以前使用过k均值，但是这要求我将样本切分为几个纪元，并对每个纪元完整地进行描述性统计（均值，范围等），因此我想避免这样做，因此纪元不一定会对齐随着运动的开始。

最后，我希望能够浏览加速度计数据并确定用户完成了多少次练习。

Answer 1

聚类和分类都依赖于具有适当信息的一组特征来预测基础类。 对于时间序列数据，标准方法是帧包，将其切成称为帧的小块（重叠）块。帧长度应比希望检测的同类的最小时间间隔短得多，但必须足够长以捕获相关特征。 在运动数据中，应该有N次重复的时间，例如大约5秒。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较低，因此在这种情况下，只需避免输出预测。如果这还不够，您可以使用多数：要求以相同的方式对N个（也许3个）连续帧进行分类，以将其输出为真实预测。

如果帧包方法不够用，请考虑使用动态时间规整（DTW）。

Answer 2

参加聚会有点晚，但我遇到了名为“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”的 link to paper。

他们使用 1-d CNN 和使用“tsfresh”特征的 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，然后进行预测，将它们聚集在一起形成完整的事件。显然，RandomForest 比 CNN 做得更好。

可能会有帮助。