PCA klasterizācijas problēmu risināšana laikrindu kustības tveršanas datos

Izpratne par PCA klasterizācijas atšķirībām kustības uztveršanas datos

Iedomājieties, izmantojot a gudrs cimds lai tvertu sarežģītās rokas kustības un pēc PCA analīzes veikšanas konstatētu, ka modeļi nesakrīt, kā paredzēts. Tas rada vilšanos, it īpaši, ja jūsu mērķis ir samazināt laikrindu kustības datu sarežģītību, vienlaikus saglabājot to struktūru.

Manā gadījumā es ierakstīju roku žestus, izmantojot cimdu, kas aprīkots ar sensoriem, kas izseko pozīcijas un rotācijas vērtības. Pēc PCA izmantošanas, lai samazinātu šo datu izmērus, es to uzzīmēju, lai vizualizētu kopas katram žestam. Gaidījums? Skaidras, vienotas kopas, kurās redzami gan vecie, gan jaunie ieraksti, kas nemanāmi pārklājas.

Tomēr rezultāts bija mulsinošs. 20 vienotu punktu vietā (10 no vecajiem datiem un 10 no jaunajiem datiem) tika parādīts PCA diagramma divas atsevišķas kopas par katru žestu. Šķita, ka žesti ir pilnībā mainījušies, neskatoties uz to, ka tie bija identiski. Šī negaidītā uzvedība radīja būtiskus jautājumus par datu mērogošanu, sensoru konsekvenci un pirmapstrādes metodēm. 🧐

Ja kādreiz esat strādājis ar kustības tveršanu vai uz sensoriem balstītām datu kopām, iespējams, esat saistīts ar šo problēmu. Nelielas neatbilstības priekšapstrādē vai kalibrēšanā var izraisīt lielas novirzes PCA telpā. Atklāsim, kas varētu izraisīt šīs atsevišķās kopas, un izpētīsim iespējamos risinājumus, lai efektīvi saskaņotu kustības uztveršanas datus.

Kā sensora kalibrēšana un PCA novērš klasteru novirzes

Šajā risinājumā skriptu mērķis ir novērst problēmu, kad tikko ierakstītie rokas kustības dati nesakrīt ar iepriekšējiem žestiem PCA telpā. Problēma rodas tāpēc, Galvenās sastāvdaļas analīze (PCA) pieņem, ka ievades dati ir normalizēti, konsekventi un labi iepriekš apstrādāti. Nekonsekventa sensora kalibrēšana vai nepareiza mērogošana var novest pie PCA diagrammām, kurās tiek parādīti atsevišķi, nevis vienoti klasteri. Pirmais skripts koncentrējas uz pareizu datu priekšapstrādi un PCA ieviešanu, savukārt otrais skripts ievieš sensora kalibrēšanu, lai saskaņotu laikrindas datus.

Lai sāktu, pirmais skripts ielādē kustības uztveršanas datus no vairākiem failiem vienā datu kopā. The StandardScaler tiek izmantots, lai normalizētu pozicionālo un rotācijas sensoru vērtības līdz vienmērīgai skalai. Mērogošana nodrošina, ka līdzekļi ar lielākiem ciparu diapazoniem nedominē PCA, kas ņem vērā tikai dispersiju. Piemēram, ja viena ass ieraksta datus no 0 līdz 10, bet cita ass ieraksta datus no 0 līdz 0,1, PCA var kļūdaini pieņemt, ka pirmais ir nozīmīgāks. Pēc normalizācijas PCA samazina datu kopu trīs galvenajos komponentos, vienkāršojot augstas dimensijas datu vizualizāciju un analīzi.

Vizualizācijas daļa izmanto 3D izkliedes diagrammu, lai parādītu PCA rezultātus. Skripts grupē datus pēc žestu etiķetēm un aprēķina katras grupas vidējo vērtību, lai izveidotu kopsavilkuma punktus. Piemēram, 10 "viļņa" žesta atkārtojumi tiek apkopoti vienā 3D koordinātā, atvieglojot kopu identificēšanu. Ja sākotnējie un jaunie dati sakrīt pareizi, katrs žests veidotu vienu 20 punktu kopu. Tomēr, kā liecina problēma, tie pašlaik ir sadalīti divās kopās, kas norāda uz neatbilstību. Šis rezultāts nozīmē, ka mērogošana vien var neatrisināt problēmu, kā rezultātā ir nepieciešama sensora kalibrēšana.

Otrais skripts ievieš kalibrēšanas soli, izmantojot rotācijas transformācijas. Piemēram, ja sensors ierakstīja "dūres" žestu ar 5 grādu novirzi, šis skripts izmanto transformāciju, lai pārkārtotu datus. Izmantojot Eilera leņķus, kods pagriež pozicionālās un rotācijas vērtības, lai tās atbilstu sākotnējai atsauces telpai. Šī pārkārtošana palīdz PCA redzēt gan vecos, gan jaunos žestus kā daļu no vienas grupas, radot vienotas kopas 3D diagrammā. Mērogošanas, PCA un kalibrēšanas apvienotā izmantošana nodrošina datu konsekvenci un uzlabo vizualizācijas precizitāti. Pareiza pirmapstrāde, kā parādīts šeit, ir galvenais, lai atrisinātu klasterizācijas problēmas un panāktu uzticamu analīzi. ✨

# Import necessary libraries
import numpy as np
import pandas as pd
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
# Load datasets
def load_data(file_paths):
    data = []
    for path in file_paths:
        df = pd.read_csv(path)
        data.append(df)
    return pd.concat(data, ignore_index=True)
# Preprocess data with optimized scaling
def preprocess_data(data):
    scaler = StandardScaler()
    scaled_data = scaler.fit_transform(data)
    return scaled_data
# Apply PCA
def apply_pca(scaled_data, n_components=3):
    pca = PCA(n_components=n_components)
    principal_components = pca.fit_transform(scaled_data)
    return principal_components, pca
# Visualize PCA results
def plot_pca_results(pca_data, labels):
    fig = plt.figure(figsize=(10,8))
    ax = fig.add_subplot(111, projection='3d')
    for label in np.unique(labels):
        indices = labels == label
        ax.scatter(pca_data[indices, 0],
                   pca_data[indices, 1],
                   pca_data[indices, 2],
                   label=f'Gesture {label}')
    ax.set_xlabel('PC1')
    ax.set_ylabel('PC2')
    ax.set_zlabel('PC3')
    ax.legend()
    plt.show()
# Main function
if __name__ == "__main__":
    file_paths = ['gesture_set1.csv', 'gesture_set2.csv']
    data = load_data(file_paths)
    features = data.drop(['label'], axis=1)
    labels = data['label'].values
    scaled_data = preprocess_data(features)
    pca_data, _ = apply_pca(scaled_data)
    plot_pca_results(pca_data, labels)

# Import necessary libraries
import numpy as np
import pandas as pd
from scipy.spatial.transform import Rotation as R
# Function to apply sensor calibration
def calibrate_sensor_data(data):
    rotation = R.from_euler('xyz', [10, -5, 2], degrees=True)  # Example rotation
    calibrated_data = []
    for row in data:
        rotated_row = rotation.apply(row)
        calibrated_data.append(rotated_row)
    return np.array(calibrated_data)
# Preprocess data
def preprocess_and_calibrate(df):
    features = df[['X', 'Y', 'Z', 'RX', 'RY', 'RZ']].values
    calibrated_features = calibrate_sensor_data(features)
    return pd.DataFrame(calibrated_features, columns=['X', 'Y', 'Z', 'RX', 'RY', 'RZ'])
# Example usage
if __name__ == "__main__":
    df = pd.read_csv("gesture_data.csv")
    calibrated_df = preprocess_and_calibrate(df)
    print("Calibrated data:\n", calibrated_df.head())

Datu konsekvences nodrošināšana precīzai PCA analīzei

Strādājot ar kustības uztveršanas dati tāpat kā roku žesti, ļoti svarīgi ir nodrošināt datu konsekvenci ierakstos. Viens bieži aizmirstais faktors ir vide, kurā tiek iegūti dati. Ārējie apstākļi, piemēram, nelielas izmaiņas sensoru izvietojumā vai apkārtējās vides temperatūrā, var ietekmēt to, kā sensori savāc pozicionālās un rotācijas vērtības. Šī smalkā mainīgums var izraisīt novirzes PCA telpā, radot atsevišķas kopas šķietami identiskiem žestiem. Piemēram, ierakstot vienu un to pašu viļņa žestu dažādos laikos, ārējo faktoru dēļ var rasties nedaudz nobīdītas datu kopas.

Lai mazinātu šo problēmu, varat izmantot līdzināšanas metodes, piemēram, dinamisko laika deformāciju (DTW) vai Prokrusta analīzi. DTW palīdz salīdzināt un saskaņot laikrindu datus, samazinot atšķirības starp divām secībām. Tikmēr Prokrusta analīze izmanto tādas transformācijas kā mērogošana, pagriešana un tulkošana, lai saskaņotu vienu datu kopu ar citu. Šīs metodes ir īpaši noderīgas, lai nodrošinātu, ka jaunie ieraksti ir cieši saskaņoti ar sākotnējiem atsauces žestiem pirms lietošanas Galvenās sastāvdaļas analīze. Šādas priekšapstrādes apvienošana ar mērogošanu nodrošina vienotu žestu kopu attēlojumu PCA telpā.

Turklāt mašīnmācīšanās metodes, piemēram, autokodētāji var uzlabot žestu datu noturību. Autokodētāji ir neironu tīkli, kas paredzēti, lai samazinātu izmēru, vienlaikus rekonstruējot ievades datus. Apmācot automātisko kodētāju, izmantojot sākotnējos datus, varat kartēt jaunus žestus koplietotā latentā telpā, nodrošinot konsekvenci neatkarīgi no sensora novirzes. Piemēram, pēc viļņu žestu apmācības automātiskais kodētājs precīzi ievietos jaunu viļņu ierakstus tajā pašā klasterī, efektīvi atrisinot klasteru novirzes problēmu. 🚀