Feb, 2024
XGBoost和Minirocket算法的人体活动识别比较分析
Comparative Analysis of XGBoost and Minirocket Algortihms for Human
Activity Recognition
TL;DR人体活动识别(HAR)已得到广泛研究，最近侧重于使用先进的机器学习(ML)和深度学习(DL)算法进行准确分类的实施。本研究调查了两种机器学习算法——eXtreme Gradient Boosting (XGBoost)和MiniRocket在HAR领域的有效性，使用从智能手机传感器收集的数据进行实验。实验使用从UCI仓库获得的数据集，包括30名志愿者佩戴智能手机时捕获的加速度计和陀螺仪信号。在将数据集进行预处理（包括噪声过滤和特征提取）后，用于训练和测试分类器。采用蒙特卡洛交叉验证评估模型的稳健性。研究结果表明，XGBoost和MiniRocket在活动分类方面取得了高达0.99的准确率、F1得分和AUC值。与MiniRocket相比，XGBoost表现略优。值得注意的是，这两种算法在HAR任务的文献中超过了其他机器学习和深度学习算法的性能。此外，研究比较了这两种算法的计算效率，显示XGBoost在训练时间方面具有优势。此外，MiniRocket的表现也突显了利用原始数据并仅利用传感器的一个通道时可达到的0.94的准确性和F1值，以及0.96的AUC值的潜力，这也表明通过利用传感器融合或通道融合技术可以获得潜在的优势。总的来说，本研究对XGBoost和MiniRocket在HAR任务中的有效性和计算特性进行了阐明，并为利用智能手机传感器数据进行活动识别的未来研究提供了见解。