论文 smart devices are different
1
插值（预处理 作为 缓解技术） 线性和最近距离插值比样条插值好
https://blog.csdn.net/eric_e/article/details/79499617
2
多种传感器数据融合 效果不好， 本文 使用 36个手机 和手表 13 种 不同设备 来自4种制造商
3 不同传感器 融合 可能产生问题：
a 传感器偏置 （原因 ： 传感器低配 ，或者老旧了）
b 采样率异质性（解决 预处理时使用 插值 ----> 下采样）
c 采样率不稳定性 （解决 获取传感器测量的 时间戳 ： 创建时间 和 到达时间）
4
苹果手机手机的数据存在很高的偏差 所以 弃用
即使运行在相同的操作系统和相同的并发程序中 ， 高cpu 负载 对 对不同的设备模型中的速率和不稳定性 影响程度不同。
5 HAR 包括 6种 骑自行车 坐着 站着 走 上楼 下楼
6 只使用 缓解 技术 作为 预处理 ： 采用滑动窗口方法 ，客服明确的语义分割
7 特征提取 ： 专家知识， 时域
8 评估指标 F1
9 缓解技术 措施 ： 1 设备集群（克服中位传感器偏差和标准偏差采样频率）
2 重采样
3 插值作为缓解设备模型采样率的异质性
10 插值 分为 ： 1 nearst
2 线性
3 三次样条（不好）
11 实验中采用低频的 特征 ，可能 不适合异国情调的HAR : 区分骑马和 。。
12 插值可以减轻不同采样频率带来的损失，但对于采样不稳定问题无法解决，基于聚类的方法减轻插值 ，仅推荐频域特征的预处理
13 小设备 （手表 专一性更强但 会出现大偏差和不稳定性）
14 插值法 在处理信号会明显 缓解 多种传感器 异质性 ，提高性能。
15 来自加速度数据的重力矢量 可以与 本文的插值缓解技术 结合 作为预处理的步骤 。达到 缓解 多种传感器的异质性。（这种异质性 不利于 HAR 活动识别 ）
待做：
1 换数据跑
2 总结结果
3 用传统的分类器
网友评论