我有几个专家多次执行相同的特定动作（例如，蹲下或向前跳跃）。假设 5 个人每人做 100 次深蹲。他们有一个加速度计连接到相同的身体部位。我记录加速度计读数并获得 100*5 = 500 个数据样本。他们为多种不同的动作（下蹲、俯卧撑、向前跳跃等）做这件事。他们记录动作的方式如下：
- 开始录制（按钮）
- 做动作
- 停止录制（按钮）
现在我需要看到另一个人正在以正确的顺序执行操作。例如下蹲、向前跳跃、站起来、下蹲、上推。我获取他的加速度计数据并不断将其提供给分类器，该分类器需要告诉我他现在是否做了一个深蹲动作，而不是一个跳跃或俯卧撑。因此，当确定第一个动作，即深蹲时，我会检查跳跃等。
这有几个问题：
- 这些数据样本具有不同数量的值，因为有人蹲得慢一点，而其他人蹲得快一点。因此，一些数据样本有 250 个 XYZ 值，其他有 220 或 270 等（在 +-50 范围内）。我现在要做的是制定更严格的规则。我丢弃了所有超过 250 个读数的数据样本，对于那些值少于 250 的数据样本，我将值从头到尾附加，这样它总共给出了 250 个。工作正常，因为在执行动作之前，人在短时间内静止不动的每个动作都有一个结束。这不是最优的，因为如果专家太慢（结束时间太长），他们需要重做操作+我附加了假数据。有什么更好的解决方案来处理这个问题？
- 现在我正在使用随机森林、AdaBoost 分类器和低/高通滤波加速度计数据，我映射到 750 列（250 X、250 Y、250 Z）和 1 个类列。所以预测告诉我70%的跳跃，25%的深蹲，5%的俯卧撑。分类有时是错误的或不够精确。因此，我正在考虑从我的信号系列中提取一些特征并将它们提供给算法。我的问题是我不知道要提取什么特征。
我发现的大多数论文都集中在人类活动识别上，以区分步行、跑步、上楼梯和下楼梯。在他们有一个人步行/跑步数小时的连续数据流并且他们使用更多的样本数据方面，它们并不是很有帮助。相比之下，在我的任务中，我有彼此分开的数据集实例。
我不是要求为我解决所有这些任务，只是引导我进入某个方向，并很好地解释为什么它可能有用。