我正在使用由许多受试者佩戴的多个传感器收集的大量加速度计数据。不幸的是，这里似乎没有人知道这些设备的技术规格，而且我认为它们从未被重新校准过。我没有关于这些设备的大量信息。我正在写我的硕士论文，加速度计是从另一所大学借来的，总的来说情况有点不透明。那么，在设备上进行预处理？没有线索。
我所知道的是它们是具有 20Hz 采样率的三轴加速度计；数字和大概是MEMS。我对非语言行为和手势感兴趣，根据我的消息来源，它们应该主要产生 0.3-3.5Hz 范围内的活动。
规范化数据似乎非常必要，但我不确定该使用什么。很大一部分数据接近其余值（原始值约为 1000，来自重力），但也有一些极端值，例如在某些日志中高达 8000，在其他日志中甚至为 29000。见下图。我认为这使得除以 max 或 stdev 来规范化是一个坏主意。
在这种情况下，通常的方法是什么？除以中位数？百分数值？还有什么？
作为一个附带问题，我也不确定是否应该剪裁极端值..
感谢您的任何建议！
编辑：这是一个大约 16 分钟的数据图（20000 个样本），让您了解数据通常是如何分布的。
您在上面显示的原始信号似乎未经过滤和校准。适当的过滤和校准，以及一些伪影剔除，实际上会使数据标准化。加速度计数据的标准方法如下：
建议对惯性传感器数据执行伪影剔除。我担心您不知道数据的来源，因此您不能保证传感器正确且一致地（在方向和物理位置方面）固定到所有受试者。如果传感器没有正确固定，您会在信号中得到很多伪影，因为传感器可以相对于身体部分移动。同样，如果传感器在不同受试者上的定位不同（它们的放置方式），则数据将难以在受试者之间进行比较。
鉴于您报告的异常值的大小，它们似乎很可能是伪影。这种伪影几乎肯定会扭曲任何校准计算（尽管它们的影响会通过适当的过滤而减弱），因此应该在伪影剔除之后执行校准。
一个简单的阈值可以很好地用于初始伪影拒绝例程，即移除（或替换为NaN）高于某个经验阈值的所有样本。更复杂的技术将使用运行平均值或移动窗口自适应地计算此阈值。
根据传感器的位置，您可能还希望校正重力对加速度信号的影响，但在这里详细了解传感器轴和定位至关重要。Moe-Nillson 方法（R. Moe-Nilssen，一种评估现实环境条件下步态运动控制的新方法。第 1 部分：仪器，临床生物力学，第 13 卷，第 4-5 期，1998 年 6 月至 7 月，第 320-327 页）是最常用的，并且适用于下背部安装的惯性传感器。
开始检查手势识别数据的一个好地方是将过滤、校准的数据分解为 epoch（例如 10 秒），并计算每个 epoch 的一些特征，并将这些与您拥有的数据标签相关联，我可以' t 在不了解数据集和相关标签的情况下提供更具体的建议。
希望这可以帮助。