用于机器学习的加速度计数据特征提取

Question

目前，我正在做一个项目，目的是通过机器学习对坑洞进行分类。收集到的数据来自一个加速度计，其中z轴测量汽车的“垂直”加速度，当一个坑洞被击中时。

我试图解构信号，并使用两种方法创建功能：

1. PACF与移动平均值一起对抗噪声
2. 计算光谱分析的周期图

有没有其他方法来区分坑洞和“粗糙”的路面，因为我不确定该采取哪种方法？

Answer 1

实际上，你可以像对待正常的音频信号一样对待你的听阈仪信号。处理音频数据(例如色度特征)的可能性是无穷的。

另一种方法是利用神经网络(一维卷积或LSTM)直接处理原始信号。

Answer 2

而不是光谱特征和移动平均，我建议小波特征。您可以做一个连续小波变换(CWT)或一个短小波变换(SWT)，并识别峰值/下降的洞穴出现。小波的优点是它具有很好的抗噪声能力，而且你也可以保存时间轴信息来锁定峰值的位置。

诀窍就是选择一个合适的小波。那些有尖峰形状的，如道贝奇斯和塞姆莱特，将是理想的。

通过适当的特征提取，您甚至可以在不需要机器学习的情况下进行检测。