基于同步惯性测量单元的活动识别特征工程工作流
机器学习
2020-04-07 v1 计算机视觉与模式识别
机器学习
摘要
可穿戴传感器的普遍可用正推动物联网发展，同时也对运动科学与精准医学产生影响。尽管基于智能手机数据或其他类型惯性测量单元（IMU）的人体活动识别已发展为机器学习最突出的日常生活应用之一，其底层的时间序列特征工程过程仍显得耗时。这一冗长过程阻碍了基于 IMU 的机器学习应用在运动科学与精准医学中的开发。本文讨论一种特征工程工作流，其基于 FRESH 算法（FeatuRe Extraction based on Scalable Hypothesis tests）自动化提取时间序列特征，以从同步 IMU 传感器（IMeasureU Ltd, NZ）中识别统计显著特征。该特征工程工作流包含五个主要步骤：时间序列工程、自动化时间序列特征提取、优化特征提取、专用分类器拟合，以及优化机器学习流水线部署。该工作流针对用户特定的跑-走分类案例进行讨论，并展示了向多用户多活动分类的推广。
引用
@article{arxiv.1912.08394,
title = {Feature engineering workflow for activity recognition from synchronized inertial measurement units},
author = {Andreas W. Kempa-Liehr and Jonty Oram and Andrew Wong and Mark Finch and Thor Besier},
journal= {arXiv preprint arXiv:1912.08394},
year = {2020}
}
备注
Multi-Sensor for Action and Gesture Recognition (MAGR), ACPR 2019 Workshop, Auckland, New Zealand