Machine Learning Fall Erkennung mit Zeitreihenanalyse

Question

Ich versuche, einen Klassifikator zu trainieren, um einen Sturz basierend auf Beschleunigungsmesser und Gyroskopdaten zu erkennen. Es fällt mir jedoch schwer zu bestimmen, welche Art von Algorithmus verwendet werden soll.

Dies ist ein Bild von einigen der Datenmenge:

Diese Daten ist ein Beispiel für Roh-x-, y- und z-Koordinaten von dem Beschleunigungsmesser bei einem Sturz lesen. Wie Sie sehen können, sind die Daten relativ stabil bis zu dem Punkt, an dem der Absturz beginnt.

Meine Frage ist: Welchen Klassifikator sollte ich verwenden, um den Sturz zu erkennen?

Ich habe einige Forschung auf dem Gebiet gelesen, wo die Wissenschaftler Naive-Bayes-Algorithmen verwendet haben, um die Daten zu klassifizieren, aber wie ich es verstehe, berücksichtigt Naive-Bayes die vorherigen Datensätze in der Klassifizierung nicht.

Ich dachte über die Verwendung eines HMM nach, aber da ich mit dem maschinellen Lernen noch recht neu bin, dachte ich, ich würde um eine allgemeine Anleitung bitten.

Vielen Dank im Voraus.

Answer 1

Sie sollten sich Conditional Random Field (CRF) anschauen, die als Klassifizierer verwendet werden kann, um "benachbarte Proben" zu berücksichtigen. Wenn Sie eine Google-Suche durchführen, sollten Sie in der Lage sein, einige Artikel über "Fall-Erkennung" mit CRF zu finden.

Wie Sie erwähnt haben, ist HMM auch ein passendes Modell für Ihr Problem, in dem Sie eine versteckte Variable haben (fallen oder nicht), aber nicht beobachtbar (nur x-y-z-Koordinaten sind beobachtbar).