基于惯性传感器识别田间曲棍球活动,使用混合功能选择框架
Norazman Shahar1, Muhammad Amir As'ari2,3, Mohamad Hazwan Mohd Ghazali4
1Department of Electrical, Electronic and Systems Engineering, Faculty of Engineering and Built Environment, Universiti Kebangsaan Malaysia (UKM), Bangi 43600, Selangor, Malaysia.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
这项研究引入了可穿戴传感器的混合功能选择方法,提高了人类活动识别精度. 这种方法有效地减少了数据的复杂性,以便更好地进行体育分析和绩效监测.
科学领域:
- 运动科学和生物力学
- 机器学习和数据科学
- 可穿戴技术和传感器系统
背景情况:
- 使用可穿戴传感器准确识别人类活动对于体育分析和绩效监测至关重要.
- 原始惯性数据中的高维度和冗余性对模型性能和可解释性构成挑战.
- 现有的方法往往难以平衡分类准确性和计算效率.
研究的目的:
- 提出和评估混合特征选择框架,结合最小冗余最大相关性 (MRMR) 和规范化邻近组件分析 (RNCA).
- 为了提高分类准确度和减少从多传感器惯性数据中识别人类活动的计算复杂性.
- 提高实时应用模型的可解释性和效率.
主要方法:
- 收集了6种活动类型的田间曲棍球运动员的多传感器惯性数据.
- 从四个机身上的惯性测量单元 (IMU) 中提取了时间和频域特征,产生了432个初始特征.
- 实施了两阶段的特征选择:MRMR与皮尔森相关性过,其次是RNCA进行监督特征权重.
主要成果:
- 混合框架使用仅83个选定的功能实现了92.82%的测试准确率和86.91%的F1得分.
- 最终的模型表现优于仅使用MRMR的配置,略高于完整功能集的性能.
- 通过PCA和t-SNE可视化,证明了减少训练时间,改进了混矩阵配置文件,并增强了通过PCA和t-SNE可视化进行类分离的能力.
结论:
- 拟议的两阶段特征选择方法有效地优化了对人类活动识别的分类性能.
- 该框架提高了模型的效率和可解释性,使其适合实时系统.
- 混合方法成功地解决了可穿戴传感器数据中高维度和冗余性的挑战.
