我在连续锻炼期间获得了加速度计数据(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。对过渡/休息、深蹲、弓步、步行、二头肌弯举和肩部推举进行无人监督的分类。
我之前使用过 k-means，但这要求我将样本切割成纪元并为每个纪元完成描述性统计(平均值、范围等)，我想避免这样做，因此纪元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/多少次练习。
最佳答案
聚类和分类都依赖于拥有一组具有适当信息的特征来预测基础类别。 对于时间序列数据，标准方法是帧袋，将其切成称为帧的小(重叠) block 。帧长度应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。 在锻炼数据中，它可能应该有 N 次重复的时间，比如大约 5 秒。这些框架不会、也不需要与您的事件保持一致。
当事件发生变化时，在训练有素的模型中，所有类别的概率应该很低，因此只需避免在这种情况下输出预测即可。如果这还不够，您可以使用多数:要求以相同的方式对 N(可能是 3)个连续帧进行分类，以将其输出为真实预测。
如果帧袋方法还不够，请考虑使用动态时间规整 (DTW)。
关于machine-learning - 连续人体事件加速度计的无监督分类(聚类)，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/51292310/