使用二进制传感器进行活动识别
数据挖掘
深度学习
分类
活动识别
2022-03-15 03:55:56
1个回答
首先,您需要找到一种方法将其表述为分类问题,其中您有成对的特征(来自您的传感器数据)和标签(活动)。
功能包
一种简单的方法是将观察结果切割成一系列时间窗口,在每个窗口内,您忽略传感器数据的时间部分(“特征包”表示)。跟踪每个传感器的当前(或最常见)状态,并计算发生的传感器转换次数(例如:C08open->close:2 次)。
要选择适当的时间窗口长度,您应该进行一些探索性数据分析以找到典型的活动持续时间。
在训练和预测期间,时间窗都应该重叠计算。假设每个窗口长 5 分钟。然后下一个窗口包含最后 4 分钟,加上 1 分钟的新数据。重叠通常在 50-90% 的范围内。
请注意,某些活动非常依赖时间。喜欢make dinner
或make lunch
。因此,您还应该包括一个time_of_day
自午夜以来的秒/分钟的功能。
时间模型
活动之间的某些转换可能比其他的更常见,这是可以使用的信息来源。示例:making dinner -> having dinner
可能比making breakfast -> making dinner
. 隐马尔可夫模型(HMM)将是建模的标准方法。它可以为您提供一整天最可能的活动顺序。
有一些方法可以在这类数据集上使用 CNN 和 RNN,但除非数据集很大,否则我可能不会尝试。
其它你可能感兴趣的问题