4、基于轮椅加速度信号的人行道可达性评估方法

基于轮椅加速度信号的人行道可达性评估方法

1. 不同机器学习方法对比

为了对道路表面状况进行分类，采用了多种机器学习方法进行对比，具体如下：
| 方法名称 | 特征集 | 分类器 | 参数选择 |
| — | — | — | — |
| Raw + k - NN | 原始加速度信号 | k - 近邻（k - NN） | 使用五折交叉验证选择 k 值以最大化宏 F - 分数 |
| MV + k - NN | 各段各轴的均值和标准差 | k - 近邻（k - NN） | 使用五折交叉验证选择 k 值以最大化宏 F - 分数 |
| Heuristic + SVM | 12 种启发式特征（均值、标准差、最大值、最小值等） | 带 rbf 核的支持向量机（SVM） | 使用五折交叉验证选择正则化参数 C 和核系数参数 c 以最大化宏 F - 分数 |
| Heuristic + MLP | 12 种启发式特征（均值、标准差、最大值、最小值等） | 具有两个 500 单元全连接层的多层感知器（MLP） | 调整 SVM 的参数 C 和 MLP 的损失函数以处理类别不平衡问题 |
| CNN + SVM | 训练好的 CNN 的激活值 | 支持向量机（SVM） | - |
| CNN + MLP | 训练好的 CNN 的激活值 | 多层感知器（MLP） | - |

为了增强分类器的预测性能，采用了一种平滑方法对预测标签进行后处理。该方法受先前研究启发，利用低通滤波器去除脉冲噪声并保留边缘。具体操作是，对于第 i 个示例，在以其为中心的长度为 7 的序列上应用平滑滤波器，对序列的每个类别的预测概率进行平均，然后将概率最高的类别分配给