基于加速器数据的人类活动识别的新方法
一、面对的问题
数据增强，如何利用一个三轴的加速度传感器发现新的特征，比如手腕的滚动角和俯仰角，与原来的三轴原始数据构成一个五列的数据，再对这个五列的数据做分割拼接的操作。
二、具体步骤
第一步：知道一个公式，
a m = a trans − g + ν , where a m = [ a x a y a z ] > ;
a trans is the translational acceleration; g is the gravity
acceleration vector, satisfying k g k = g 0 = 9 . 806 m/s 2 ;
and ν represents additive zero mean measurement
noise.
原始三轴数据am等于水平加速度分量a trans加上重量反方向分量− g,再加上加性零平均测量噪声 ν。
第二步：知道如何用重量加速度g以及滚动角和俯仰角求原始数据am向量在重力反方向上面的分量。
这个链接是对滚动角和俯仰角的介绍： pitch yaw roll是什么_BerMaker的博客-CSDN博客_pitch roll yaw
这两个链接是如何利用am在重力方向上的分量和重力加速度求 滚动角和俯仰角：
第三步：有了第一步和第二步的基本知识之后我们就可以求解 滚动角和俯仰角了。但是我们看这个公式
假设 ax ay az 为三轴重力分量，那么可以认为是向量[0, 0 ,g]经过三轴旋转而得，因此满足：
要求p和r，我们已经知道了g，但是三轴重力分量ax ay az不知道。所以文章中提出了一个假设前提，即
assuming at this point that the contribution
of the wrist translational acceleration is much smaller
than that of the local gravity;
所以我们直接把过滤过噪声的am当作三轴重力分量ax ay az，这样就求出了 滚动角r和俯仰角p
第四步：求解 − g
第五步：求解atrans
这里的am和第四步的am不同，这里的am是没过滤噪声的原始数据am
第六步：求出水平分量atrans、p和r之后，我们就可以把这五列拼接成数据点×5的二维矩阵，接着做一个数据增量的操作，对应原文的 3.2 Partition Technique 小节。
第七步：将处理好的数据带入一个CNN，神经网络的具体配置看原文
三、总结
利用原始数据发掘新的特征，做一个增量操作，从而获取新的输入数据，卷积神经网络没做特别的修改。
注：侵权提醒，必改