19、人体活动识别：趋势与挑战

人体活动识别：趋势与挑战

人体活动识别（HAR）在近年来变得尤为重要，特别是传感器和视觉技术在新的活动识别应用中的潜在整合。本文将探讨HAR系统的趋势和挑战，涵盖时间序列聚类、特征工程、模型选择等方面。

1. 时间序列聚类与变化点检测

时间序列聚类和变化点检测在HAR中起着关键作用。以下是几种常见的方法：
- SWAB方法 ：SWAB在原始自下而上的方法基础上，结合子序列并计算相应的合并成本，直到满足停止条件。它维护一个大小为w的缓冲区，可容纳五到六个聚类的数据。缓冲区中的数据和最左边的结果聚类会进行自下而上的处理，并报告任何识别出的变化点。然后，系列中的下一组数据会替换已报告子序列对应的数据添加到缓冲区中。
- MDL-based方法 ：基于最小描述长度（MDL）的变化点检测方法不需要预先指定聚类的数量，而是以自下而上、贪婪的方式搜索聚类空间，允许不同长度的子序列。
- Shapelet-based聚类方法 ：这是一种贪婪搜索算法，旨在根据完整时间序列的形状对数据进行分组。该技术会寻找u形子序列，从数据集中提取并消除时间序列状态，直到没有更多数据需要分离为止。
- 模型拟合方法 ：当新的数据项或数据块不适合任何其他聚类时，就认为发生了变化。

此外，基于图的变化点检测技术也用于图像或在线视频流的分割。参数和非参数的在线变化点检测（OCPD）方法各有优缺点，但在包括HAR在内的不同领域广泛应用。选择合适的分割技术对于识别基本、过渡和复杂活动至关重要。

2. 特征工程 </