XGBoost与MiniRocket算法在人体活动识别中的比较分析
摘要
人体活动识别(Human Activity Recognition, HAR)已被广泛研究，近期重点在于应用先进的机器学习(ML)和深度学习(DL)算法以实现精确分类。本研究探讨了两种机器学习算法——极限梯度提升(eXtreme Gradient Boosting, XGBoost)和MiniRocket——在使用智能手机传感器数据的人体活动识别领域的有效性。实验在从UCI仓库获取的数据集上进行，该数据集包含来自30名志愿者佩戴智能手机执行各种活动时捕获的加速度计和陀螺仪信号。数据集经过预处理，包括噪声滤波和特征提取，然后用于训练和测试分类器。采用蒙特卡洛交叉验证评估模型的鲁棒性。研究结果表明，XGBoost和MiniRocket在活动分类中的准确率、F1分数和AUC值均高达0.99。XGBoost的性能略优于MiniRocket。值得注意的是，这两种算法均超越了文献中报道的用于HAR任务的其他ML和DL算法的性能。此外，研究比较了两种算法的计算效率，揭示了XGBoost在训练时间方面的优势。进一步地，MiniRocket在使用原始数据且仅利用传感器单一通道时，达到了0.94的准确率和F1分数以及0.96的AUC值，这凸显了直接利用未处理信号的潜力，并暗示了通过传感器融合或通道融合技术可能获得的潜在优势。总体而言，本研究揭示了XGBoost和MiniRocket在HAR任务中的有效性和计算特性，为未来利用智能手机传感器数据进行活动识别的研究提供了见解。
引用
@article{arxiv.2402.18296,
title = {Comparative Analysis of XGBoost and Minirocket Algortihms for Human Activity Recognition},
author = {Celal Alagoz},
journal= {arXiv preprint arXiv:2402.18296},
year = {2024}
}
备注
12 pages, 1 figure, 1st Bilsel International Sur Scientific Researches Congress, 10-11 February, 2024, Diyarbakir, T\"urk\.Iye