我们有一个应用程序，需要根据加速度计数据来识别短暂的手势。
现在，我阅读了很多关于这个主题的不同论文（其中由Andrea Mannini和Angelo Maria Sabatini撰写的《用于从佩戴式加速度计分类人类身体活动的机器学习方法》似乎是最有用的一个），我对需要做的事情有了一定的了解（由于我之前没有统计/机器学习的经验，有些步骤可能看起来不对）：
- 我需要从智能手机收集沿三个轴的加速度计数据。
- 下一步是将数据分成AC和DC组件（其中一个与重力加速度有关，另一个与身体加速度有关）。我需要处理身体加速度组件，因为这个组件似乎为活动识别问题提供了更好的结果。
- 下一步是从身体加速度组件中提取一些特征——要提取的特征尚未确定，因为这不是问题的一部分。
- 我需要将我的特征向量列表用于训练分类器（我很可能会选择隐马尔可夫模型，因为这种分类器似乎是顺序分类任务的最佳选择，而手势识别任务似乎属于顺序分类任务）。
- 之后我可以进行评估和改进。
现在，这些论文中提到了一个我还无法理解的东西，那就是滑动窗口。据我所知，我需要将传入的加速度计数据流分割成一组重叠的序列，例如：
从0秒到1.0秒的数据
从0.5秒到1.5秒的数据
从1.0秒到2.0秒的数据
...
从n秒到(n+1.0)秒的数据
我不理解的是，每个窗口有多个加速度读数：
x0, y0, z0
x1, y1, z1
x2, y2, z2
...
xn, yn, zn
如你所见，这不是向量，而是一个矩阵。但我需要一个特征向量来训练我的分类器，那么我如何将矩阵压缩成向量呢？
我对这些论文的作者是如何做的有一些想法：
- 我们可以基于每个三元组创建一个特征向量：
[基于x0, y0, z0的特征A；基于x0, y0, z0的特征B；基于x1, y1, z1的特征A；基于x1, y1, z1的特征B；...；基于xn, yn, zn的特征B]。 - 或者我们可以以某种方式平均窗口内的加速度读数，以便我们最终只有一个三元组
xa, ya, za（’a’表示’平均’），然后创建一个这样的特征向量：[基于xa, ya, za的特征A；基于xa, ya, za的特征B]。
我不喜欢第二个想法，因为即使是对于小窗口，平均加速度数据读数也可能会导致数据丢失和分类器行为不当。可能论文的作者的意思是像第一个想法那样，但我不能确定。
我对滑动窗口的创建方式的理解是否正确（即想法#1）？
回答：
首先，你的问题的两个部分都是对的，但不完全正确。
我想说两件事：
-
首先，滑动窗口的目的是为时间t的数据提供上下文。根据数据流，你可以将未来的数据包括在内或不包括在内。但想法确实是将相近的数据放入同一个窗口中，以创建一个新的数据集，其中每一行是一个窗口。话虽如此，从窗口中提取特征与从三个坐标中提取特征不同。你可以尝试计算运动速度（通过使用前一个点）。所以这两个选项都是有效的！你将需要从单个点（例如极坐标）提取特征，但也需要从最后一个点提取速度、运动等特征。这些都是很好的特征。
-
每个坐标都可以是一个特征。你不需要压缩矩阵，因为实际上它与你的第一个选项或第二个选项没有任何不同。你的加速度计为你提供了可以从中提取特征的数据，以创建一个新的数据集，但无论你做什么，你最终都会得到一个矩阵。
