2DPCA_DMk-means: 多传感器活动识别的新型无监督方法

"基于双测距的2DPCA和K-means聚类的多传感器活动识别" 在现代科技中，基于可穿戴传感器的活动识别已经成为一个重要的研究领域，特别是随着物联网和智能家居的发展，准确地识别人类活动对于健康监测、智能安全及人机交互等应用具有重大价值。然而，由于人类活动的复杂性和多样性，多传感器活动识别依然面临着诸多挑战。针对这一问题，一种创新的识别方法被提出，即结合二维主成分分析（2DPCA）和基于双重测量距离的k-means聚类（DMk-means）。 2DPCA是一种扩展的传统一维PCA（主成分分析），它能够在二维空间中捕捉数据的主要成分，从而保留更多的信息。在活动识别中，2DPCA首先应用于小波包分解后的活动信号特征矩阵。小波包分解能够将复杂的活动信号分解为不同频率和时间尺度的成分，提取出丰富的特征。然后，2DPCA对这些特征进行处理，减少了数据的维度，同时保持了关键信息，这在处理高维数据时特别有效，因为它可以减少计算复杂性，提高识别精度。 DMk-means聚类是k-means聚类算法的一个变体，它引入了两种不同的距离度量——欧几里得距离和皮尔逊相关距离，来评估特征向量之间的相似性。欧几里得距离衡量的是特征向量之间的直线距离，而皮尔逊相关距离则考虑了特征向量之间的线性相关性。通过同时考虑这两个方面，DMk-means能够更全面地分析特征向量的形状变化和大小差异，从而更精确地将不同活动分类到各自的聚类中。 在实验中，这个方法在公开的WARD（Wearable Accelerometer and Gyroscope Dataset for Daily Activity Recognition）数据集上得到了验证。结果表明，2DPCA结合DMk-means在活动识别中的表现优于仅使用2DPCA和k-means的情况，证明了双重测量距离在聚类中的优势。这种方法提高了聚类的质量，有助于发现新的活动模式，并对活动分类模型进行优化。 总结来说，这项工作提出了一个结合2DPCA和DMk-means的多传感器活动识别框架，利用小波包分解增强特征提取，通过2DPCA减少数据维度，最后采用DMk-means进行聚类，从而实现更高效且准确的活动识别。这种方法不仅适用于现有的可穿戴传感器系统，还为未来的活动识别研究提供了新的思路和工具。