一种基于字典学习的鲁棒在线分类方法：面向可穿戴传感器监测手工物料搬运活动的开发与评估
机器学习
2018-10-24 v1 机器学习
统计方法学
摘要
基于稀疏估计的分类方法因在处理图像等高维数据时的有效性而近期备受关注。本文提出一种改进稀疏表示分类（SRC）方法性能的途径，并将其应用于人工工人的在线过程监测问题，具体为利用可穿戴传感器（涉及111个传感器通道）监测的手工物料搬运（MMH）操作。我们提出的方法优化了SRC所用线性模型中的设计矩阵（亦称字典），最小化其不适定性以获得稀疏解。该过程基于字典学习（DL）的思想：我们优化由训练数据集构成的设计矩阵，以最小化冗余与相干性，并缩减这些数据集的规模。使用此类优化后的训练数据可随后提升分类精度，并有助于减少SRC所需的计算时间，从而更适用于在线过程监测。所提方法的性能利用手工物料搬运实验获得的可穿戴传感器数据予以展示，其在精度上优于基准方法，同时所需计算时间也适合MMH在线监测。
引用
@article{arxiv.1810.09447,
title = {A Method for Robust Online Classification using Dictionary Learning: Development and Assessment for Monitoring Manual Material Handling Activities Using Wearable Sensors},
author = {Babak Barazandeh and Mohammadhussein Rafieisakhaei and Sunwook Kim and Zhenyu and Kong and Maury A. Nussbaum},
journal= {arXiv preprint arXiv:1810.09447},
year = {2018}
}