Feature reduction for classification of daily activities through kinematic data from smartphones

شتاب خطی و داده های چرخش زاویه ای که از یک بدن انسان اندازه گیری می شود، می تواند بینشی درباره نحوه حرکت یک فرد فراهم کند. این داده های سینماتیک به طور معمول مورد تجزیه و تحلیل قرار گرفته و برای درک پیشرفت بیماری مرتبط با اختلالات حرکتی مورد استفاده قرار می گیرند. ویژگی های دامنه زمان و فرکانس استخراج شده از چنین داده ها اغلب ابعاد بزرگ و غیر قابل اجرا برای دستگاه های محدودیت منابع است. در این مقاله، ما دو طرح انتخابی بهینه را پیشنهاد می کنیم که می توانند اندازه گیری های سینماتیک را برای تشخیص حرکات فرد بهتر تشریح کنند. یکی از رویکردهای پیشنهادی بر اساس تجزیه و تحلیل مولفه های اصلی است و دیگری براساس انتخاب ترکیبی از فرکانس با فرکانس بالا از الگوریتم های چند طبقه بندی برای کاهش ویژگی های مورد نیاز برای حفظ میزان پیش بینی میزان فعالیت بالا است. ما سه الگوریتم طبقه بندی را برای تمایز فعالیت هایی که موضوع درگیر بود اعمال می کنیم. نتایج نشان می دهد که ویژگی ها را می توان از 561 تا 15 با دقت پیش بینی فعالیت بیش از 84٪ کاهش داد.