Machine learning 用神经网络从加速度计数据中分类人类活动

我的任务是为我的公司执行现有分类器的基准测试。目前最大的问题是区分不同类型的交通工具，比如识别我现在是否在火车上、开车还是骑自行车，所以这是主要关注点

我已经读了很多关于LSTM的书，以及它最近在手写和语音识别方面的成功，在这方面，重大事件之间的间隔可能相当长

因此，我对火车/公共汽车问题的第一个想法是，可能没有像走路/跑步那样清晰、短暂的循环，因此长期记忆可能至关重要

有没有人尝试过类似的方法并取得了不错的效果？

---

或者还有其他技术可以更好地解决这个问题吗？

我曾经研究过使用智能手机加速计进行交通模式检测。我发现的主要结果是，几乎任何分类器都可以；然后，关键问题是特征集。（这与许多其他机器学习问题没有什么不同。）我的功能集最终包含时域和频域值，这两个值都取自时间序列滑动窗口分割

另一个问题是加速计可以放在任何地方。在身体上，它可以在任何地方和任何方向。如果用户正在驾驶，手机是否在口袋中、袋子中、汽车座椅上、连接到吸盘窗口支架等

---

如果您想避免这些问题，请使用GPS而不是加速计。您可以使用该传感器进行相对准确的分类，但成本是电池使用量。

对于功能集，您指的是培训/测试数据？我的数据将包括在已知当前活动的30hz下采样的xyz力。我将不能使用GPS。为了避免方向问题，我考虑改为使用RMS值，但我不知道这是否是一个好主意，因为活动中的许多差异可能取决于受影响的轴。您有培训和测试数据，但仍然需要从中提取特征。该过程类似于培训语音识别系统。可以使用三维向量的欧几里德长度来消除方向差异，但结果是无法使用基于方向的特征。一些有用的特征是频率子带能量、主频、时域平均值和标准差分、时域过零点等。啊，好了，现在很多变得更清楚了。但我不确定我将如何应用它，或者提取的数据会是什么样子。用原始数据训练一个网络会不会有点过分？查阅文献中的“时间序列滑动窗口”来及时创建窗口，通常重叠50%。计算每个窗口上的特征；这就是你的特征向量。特征向量将在您的训练数据（“行走”）中标记，因此为此训练一个模型。我发现决策树的性能非常好（>90%的准确率），但往往过于适合；在转向神经网络之前，先从这个开始。