.png){kind=icon}
返回
LDA-Driven Classifiers and Stacking Ensembles for Efficient Human Activity Recognition
.png){kind=icon}
PRE
AI
DOI：10.1109/access.2026.3696768.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人类活动识别（HAR）是环境智能的核心问题，旨在利用可穿戴传感器采集的数据对人类运动进行准确分类。为确保证严格的科学有效性，该方法论实施了一个无泄漏的流水线，遵循训练集和测试集之间的原始个体级分离。该协议确保参与者严格分区，验证模型在完全未见个体上的性能，以反映实际部署场景。所提出的框架利用线性判别分析（LDA）将561维原始传感器空间转换为一个高效用、五维流形，实现特征维度减少99.1%的同时保留关键判别信息。分类性能在一系列架构中进行了基准测试，范围从LDA驱动的单分类器到复杂的LDA增强堆叠集成（Stack579）。在Stack579配置中，元学习器整合了多样化的基模型输出与原始特征空间以最大化空间上下文。实证结果表明，虽然Stack579_MetaMLP达到了峰值预测精度96.64%，LDA-SVM和LDA-LR变体紧随其后，精度为96.50%。关键地，进行了成对McNemar检验（p > 0.05）以评估这些改进的显著性。分析显示复杂集成与简化的LDA模型之间无统计学显著差异。此外，以LDA为中心的模型表现出约0.0057 ms/样本的卓越推理延迟，提供了决定性的计算优势。本研究得出结论：尽管堆叠架构提供最大绝对精度，但LDA驱动的单分类器通过确保高端精度与极端计算敏捷性之间的优越平衡，代表了实时边缘计算和可穿戴应用的优化框架。
Keyword:
Dimensionality reduction
human activity recognition
linear discriminant analysis
machine learning
stacking
