智能设备是不同的：评估和减轻活动识别的移动传感器异质性

论文

智能设备是不同的：评估和减轻活动识别的移动传感器异质性

1  通过不同传感器存在异质性，会影响HAR 模型性能 ，在预处理时通过插值作为缓解技术，对于相似型号的传感器采用聚类方法 ，即相似的传感器使用相似的分类器，达到 减轻 传感器之间的异质性。

2  4 款智能手表，31种不同的智能手机 其中来自4个不同的生产厂商。

3  异质性体现在  ：   

          a   采用率不稳定，解决方法： 欠采样 或 过采样

          b  采样速率不稳定，解决方法：获取传感器测量的时间戳（创建时间，到达时间）  

4   下采样 比上采样 产生更高的增益，上采样引入人工数据，下采样更可能保存真实数据。

5 线性插值和 最近距离插值 比 样条插值效果好

6  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。

7    特征提取 ： 时域特征 ，频域特征（采用该特征较好） ，经验累积分布函数 

8  实验过程  ：  

    数据预处理处理（插值[使用四种不同算法决策树，svm，k-nn,random forest 上使用 插值处理的数据 和  不使用插值处理过的 数据  观测效果 ： 发现使用 插值处理的数据所有分类器上都变现好]）

---->  特征提取（使用四种不同算法决策树，svm，k-nn,random forest 上使用 三种不同特征 【时域，频域，经验累积分布】观测效果 ： 发现频域特征在所有分类器上都变现好）

---->构建分类器  ：  对相似型号的传感器 采用相似分类器，（聚类） ，然后  使用keras构建网络 

----->评估   ：

             采用F1-score作为评价指标 ，它是调和平均精确度和召回率 ，公式如下：

结论 ：

     小设备(如手环，手表)会出现大偏差和不稳定性 ，设备太旧 会存在 lower biases 

实验总体流程图：

三次样条

论文和代码 ： 毕设2020/human1