2、基于连续性的位置自适应活动识别方法COPO解析

基于连续性的位置自适应活动识别方法COPO解析

1. 引言

在在线活动识别中，当手机放置在新的身体位置时，识别率往往较低。为了提高识别率，我们可以利用识别结果对未标记样本进行标记，并选择一些正确识别的样本更新初始分类器，从而显著提升手机处于新位置时的识别率。

2. 再训练数据选择

在实际应用的活动识别中，由于人类活动具有连续性，相邻两个活动之间存在关联。例如，若当前活动是行走，那么前一个和后一个活动很可能也是行走，活动转换的概率较低。基于此思想，我们可以对识别结果进行分析，具体定义了三个基本概念：
- 活动持续时间 ：在实际应用中，一个活动出现时，该活动维持的平均样本数定义为活动持续时间。例如，上楼活动出现时，通常持续10个样本，那么上楼的活动持续时间就是10。该概念用于计算转移矩阵。
- 单标签和连续标签 ：在已识别的标签序列中，与相邻标签不同的标签定义为单标签，其余的称为连续标签。
- 连续数 ：在已识别的标签序列中，如果一个标签与其n个相邻标签相同，则该标签的连续数为n。例如，若结果序列为 (w,r,r,r,w,r)，第一个、第五个和第六个是单标签，第二个到第四个是连续标签，第二个到第四个的连续数为3，其余为1。

基于这三个定义，我们可以通过观察识别结果的连续数来评估其正确性。如果连续数为1，则对应样本被正确识别的概率较低；否则，概率相对较高。因此，在手机位置自适应活动识别框架中，我们可以选择连续数高于预定义阈值的标签及其对应的样本作为再训练数据。

3. 活动识别算法