如何使用CNN对可穿戴传感器进行数据分类

　　本文使用 CNN 来对可穿戴传感器收集的大规模运动数据进行分类，同时对传感器数据转换为不同的图像格式输入做出了比较。最佳性能配置以 92.1%的准确率将 50 种健身房运动分类。作者在这里使用的是 CNN 而不是 RNN（常用来处理时序数据），是因为每次的重复运动练习（如举哑铃）是花费的时间是非常短的少于 4 秒，训练时不需要长时间的记忆。数据集使用的是从 PUSH（一种戴在前臂上的可穿戴设备，用于测量运动员的运动）收集的，该数据是由 1441 名男运动员和 307 名女运动员的 449260 个重复运动练习组成的 49194 个集合组成。因为 CNN 的输入长度是固定的，所以将每条序列的长度固定为 784。拥有超过 784 个样本的代表被简单地裁剪出来 784 个样本，不足的采用 zero-paded。该装置紧紧地绑在上臂上，分别用内置加速度计和陀螺仪测量加速度和方向，因此，时间序列数据具有 9 个特征（Acc x， Acc y，Acc z） in the local frame， （Acc x， Acc y， Acc z） in the world frame and （EulerAngle x，EulerAngle y， EulerAngle z） in the world frame，数据采集的频率为 200HZ。将传感器数据转换成 2D 形式的输入有 3 种方法。不同的图像格式选择会导致不同的卷积与不同的相邻元素，其中可能包括不相关元素之间的卷积。把 9×784 的时间序列数据作为一个矩形二维图像。将三个不同的特征组（local accelerations，world acceleraTIons，and Euler angles）类比为图像中的 RGB 通道，并创建一个 3×784×3 的张量。