Как применить методы классификации машинного обучения к данным 1D временных рядов

Question

У меня есть данные IMU (акселерометр, магнитометр и гироскоп) во время различных упражнений (приседания, отжимания, приседания, отрыжки).Эти упражнения выполняются в одном сигнале временного ряда 1D, и я хотел бы использовать метод классификации машинного обучения для определения различных упражнений в сигнале.Я не хочу сгущать сигнал в пики 0D и строить свои функции таким образом, а сохранять временную область без изменений.Ниже приведен пример данных с акселерометра, который содержит четыре упражнения.Мой вопрос, поэтому, какой метод будет наиболее эффективным при этом?Кластеризация K-средних была бы идеальной в 0D смысле, есть ли 1D эквивалент?Любые ресурсы для Python (sklearn) будут с благодарностью!

Заранее спасибо!

Answer 1

Для данных временных рядов стандартным методом является пакет фреймов, разбивая его на маленькие куски, называемые фреймами.Кадры могут быть наложены друг на друга и оконными или непересекающимисяРазмер кадра является важным гиперпараметром и зависит от задачи.Такие функции, как минимальное, максимальное, медиана, дисперсия, среднеквадратичное значение рассчитываются для каждого кадра.Чтобы использовать изменение во времени в классификаторе, используются запаздывающие или дельта-функции.Отстающие элементы - это значения из предыдущих кадров.Дельта-функции вычисляются как разница текущего кадра с предыдущим.

Для классификации вам нужно будет пометить сегменты различных действий.Обратите внимание, что для обнаружения человеческой деятельности на данных ускорителя также доступны тонны общедоступных наборов данных, таких как UCI: распознавание человеческой деятельности с помощью смартфонов

Answer 2

Я думаю, что вместо классификации вы хотите сделать кластеризацию.Классификация помещает данные в предварительно определенные категории (обычно основанные на некоторых обучающих данных), тогда как кластеризация используется для группировки частей данных в ранее неизвестные классы.Вот небольшая таблица, показывающая разницу между классификацией и кластеризацией.

Одна вещь, которую вы можете сделать, это разделить временные ряды на перекрывающиеся выборки (возможно, по 1000 временных шагов каждая) и рассчитать некоторую статистику для них (среднее значение, дисперсия и т. Д.).Затем выполните K-Means Clustering для вычисленной вами статистики.

После выполнения кластеризации вы можете использовать классы, определенные во время кластеризации, для создания обучающих данных для классификатора.