如何将机器学习分类方法应用于1D时间序列数据

Question

我在各种运动（深蹲，俯卧撑，仰卧起坐，布料）中都有IMU数据（加速度计，磁力计和陀螺仪）。这些练习在单个1D时间序列信号中完成，我想使用机器学习分类方法来识别信号内的不同练习。我不想将信号压缩到0D峰值并以这种方式构建我的功能，而是保持时域不变。下图显示了包含四个练习的加速度计的示例数据。因此，我的问题是哪种方法最有效？ K-means聚类在0D意义上是完美的，那么有1D等价吗？任何python（sklearn）的资源都将非常感谢！

提前致谢！

Answer 1

对于时间序列数据，标准方法是帧包，将其切成小块，称为帧。框架可以重叠，加窗或不相交。帧大小是重要的超参数，并取决于任务。最小，最大，中位数，方差，RMS之类的特征在每个帧上进行计算。为了在分类器中使用随时间的变化，可以使用滞后或增量特征。滞后特征是来自之前框架的值。 Delta特征是根据当前帧与前一帧之差计算的。

对于分类，您将需要标记不同活动的细分。请注意，对于加速器数据上的人类活动检测，还有大量公共数据集可用，例如UCI: Human Activity Recognition Using Smartphones