应用于加速度计测量以进行分类和能量估计的词袋方法
机器学习
2017-04-14 v2 机器学习
摘要
加速度计测量是大多数人在试图测量身体活动时想到的首要传感器信息类型。市场上有许多健身测量设备，旨在利用加速度计跟踪燃烧的卡路里和计步数。这些测量虽对普通消费者足够，但在科学环境所需的测量精度方面嘈杂且不可靠。本文的贡献是一种创新且高精度的回归方法，其使用中间两阶段分类步骤来更好地引导从加速度计计数对能量消耗值的回归。我们展示，通过额外的无监督中间特征构建层，可利用加速度计计数中的潜在模式，为活动分类提供比专家构建的时间序列特征更好的基础。为此，我们的方法利用了源自自然语言处理的数学模型，即词袋模型，该模型在过去几年中出现在自然语言处理领域之外的多样学科如图像处理中。进一步强调自然语言与随机性的联系，我们使用高斯混合模型来学习构建词袋模型所基于的词典。此外，我们展示通过添加这些特征，我们能够比现有最先进方法将能量消耗回归的均方根误差降低约1.4个单位。
引用
@article{arxiv.1704.01574,
title = {Bag-of-Words Method Applied to Accelerometer Measurements for the Purpose of Classification and Energy Estimation},
author = {Kevin M. Amaral and Ping Chen and Scott Crouter and Wei Ding},
journal= {arXiv preprint arXiv:1704.01574},
year = {2017}
}
备注
10 pages, 6 tables, 2 figures. This paper has been withdrawn due to a few crucial errors in the early sections of the paper