简介
数据集描述：The data was generated as part of a student project where four students performed four activities whilst wearing a smart watch. The watch collects 3D accelerometer and a 3D gyroscope It consists of four classes, which are walking, resting, running andbadminton. Participants were required to record motion a total of five times, and the data is sampled once every tenth of a second, for a ten second period.
数据集
本次采取单变量进行分析，使用传感器1的数据进行分析，进而提取四种运动的特征。
FFT(快速傅里叶变换）
对与时序数据集，很难发现其中的规律时就要转为频域上进行分析。从时域转到频域后可以进行一系列操作如滤波等。（近期看论文，有将傅里叶变换后的实部和虚部做为网络的输出可以得到比较好的预测，还没有具体看）
from scipy.io import arff
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from scipy.fftpack import fft
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示符号
def FFT(y1,x,name):
y = y1.tolist()
yy=fft(y) #快速傅里叶变换
yreal=yy.real #获取实数部分
yimag=yy.imag #获取虚数部分
yf=abs(fft(y)) #取绝对值
yf1=abs(fft(y))/len(x) #归一化处理
yf2=yf1[range(int(len(x)/2))] #由于对称性，只取一半区间
xf=np.arange(len(y)) #频率
xf1=xf
xf2=xf[range(int(len(x)/2))] #取一半区间
#逆快速傅里叶
ifft=np.fft.ifft(yy)
plt.subplot(221)
plt.plot(x, y)
plt.title(name+':Original wave',fontsize=7)
plt.subplot(222)
plt.plot(xf, yf, 'r')
plt.title('FFT of Mixed wave(two sides frequency range)', fontsize=7, color='#7A378B') # 注意这里的颜色可以查询颜色代码表
# plt.subplot(223)
# plt.plot(x,ifft, 'g')
# plt.title('FFT of Mixed wave(normalization)', fontsize=7, color='r')
plt.subplot(223)
plt.plot(xf2, yf2, 'b')
plt.title('FFT of Mixed wave)', fontsize=7, color='#F08080')
plt.subplot(224)
plt.plot(x, ifft, 'g')
plt.title('ifft', fontsize=7, color='r')
plt.show()
data = arff.loadarff(r'D:\BasicMotions\BasicMotionsDimension1_TEST.arff')
df = pd.DataFrame(data[0]).set_index('activity')
print(df)
# print(df.shape[0])
y1 = df.iloc[0:10]
y2=df.iloc[10:20]
y3=df.iloc[20:30]
y4=df.iloc[30:40]
y_1=pd.concat([y1.iloc[0],y1.iloc[1]])
y_2=pd.concat([y2.iloc[0],y2.iloc[1]])
y_3=pd.concat([y3.iloc[0],y3.iloc[1]])
y_4=pd.concat([y4.iloc[0],y4.iloc[1]])
for i in range(8):
#Standing
yy1=pd.concat([y_1,y1.iloc[i+1]],axis=0,ignore_index=False)
y_1 = yy1
#Running
yy2 = pd.concat([y_2, y2.iloc[i + 1]], axis=0, ignore_index=False)
y_2 = yy2
# Walking
yy3 = pd.concat([y_3, y3.iloc[i + 1]], axis=0, ignore_index=False)
y_3 = yy3
# Badminton
yy4 = pd.concat([y_4, y4.iloc[i + 1]], axis=0, ignore_index=False)
y_4 = yy4
x=np.linspace(0,10,1000)
name1='Standing'
name2='Running'
name3='Walking'
name4='Badminton'
FFT(y_1,x,name1)
#FFT(y_2,x,name2)
#FFT(y_3,x,name3)
#FFT(y_4,x,name4)
因为每个运动都有10个人的数据，将10个人的数据进行了一个拼接。
得到的结果如下图
小波变换
from scipy.io import arff
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import pywt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示符号
def Pywt(y1,x,name,wavename1,totalscal1):
y = y1.tolist()
wavename=wavename1
totalscal=totalscal1
fc=pywt.central_frequency(wavename)
cparam=2*fc*totalscal
scales=cparam/np.arange(totalscal,1,-1)
[cwtmatr,frequencies]=pywt.cwt(y,scales,wavename,1.0/10)
plt.contourf(x,frequencies,abs(cwtmatr))
plt.subplots_adjust(hspace=0.4)
plt.tight_layout
plt.xlabel('时间/s')
plt.title(name)
plt.show()
data = arff.loadarff(r'D:\BasicMotions\BasicMotionsDimension1_TEST.arff')
df = pd.DataFrame(data[0]).set_index('activity')
print(df)
print(df.shape)
y1 = df.iloc[0:10]
y2=df.iloc[10:20]
y3=df.iloc[20:30]
y4=df.iloc[30:40]
y_1=pd.concat([y1.iloc[0],y1.iloc[1]])
y_2=pd.concat([y2.iloc[0],y2.iloc[1]])
y_3=pd.concat([y3.iloc[0],y3.iloc[1]])
y_4=pd.concat([y4.iloc[0],y4.iloc[1]])
for i in range(8):
#Standing
yy1=pd.concat([y_1,y1.iloc[i+1]],axis=0,ignore_index=False)
y_1 = yy1
#Running
yy2 = pd.concat([y_2, y2.iloc[i + 1]], axis=0, ignore_index=False)
y_2 = yy2
# Walking
yy3 = pd.concat([y_3, y3.iloc[i + 1]], axis=0, ignore_index=False)
y_3 = yy3
# Badminton
yy4 = pd.concat([y_4, y4.iloc[i + 1]], axis=0, ignore_index=False)
y_4 = yy4
name1='Standing'
name2='Running'
name3='Walking'
name4='Badminton'
x=np.arange(0,10,0.01)
wavename='cgau8'
totalscal=256
Pywt(y_1,x,name1,wavename,totalscal)
Pywt(y_2,x,name2,wavename,totalscal)
Pywt(y_3,x,name3,wavename,totalscal)
Pywt(y_4,x,name4,wavename,totalscal)
结果如下图、
从小波时频图种可以看出四种运动的特征还是有很大区别。进而使用神经网络训练进而分类。
小波包分解
通过小波包分解，把不同频段以能量的形式展示。
from scipy.io import arff
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import pywt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示符号
def wpd_plt(signal, n):
x = np.arange(0, 1000, 1)
# wpd分解
wp = pywt.WaveletPacket(data=signal, wavelet='db1', mode='symmetric', maxlevel=n)
# 计算每一个节点的系数，存在map中
map = {}
map[1] = signal
#print(map[1])
for row in range(1, n + 1):
lev = []
for i in [node.path for node in wp.get_level(row, 'freq')]:
map[i] = wp[i].data
# 作图
plt.figure(figsize=(15, 10))
plt.subplot(n + 1, 1, 1) # 绘制第一个图
plt.plot(x,map[1])
for i in range(2, n + 2):
level_num = pow(2, i - 1) # 从第二行图开始，计算上一行图的2的幂次方
# 获取每一层分解的node
re = [node.path for node in wp.get_level(i - 1, 'freq')]
for j in range(1, level_num + 1):
plt.subplot(n + 1, level_num, level_num * (i - 1) + j)
plt.plot(map[re[j - 1]]) # 列表从0开始
plt.show()
#绘制小波包能量图
wp=pywt.WaveletPacket(data=signal,wavelet='db1',mode='symmetric',maxlevel=n)
re=[]
for i in [node.path for node in wp.get_level(n,'freq')]:
re.append(wp[i].data)
#第n层能量特征
enery=[]
for i in re:
enery.append(pow(np.linalg.norm(i,ord=None),2))
j=0
for i in enery:
j=j+1
print(i)
plt.figure(dpi=80)
# 柱子总数
N = j
values = enery
# 包含每个柱子下标的序列
index = np.arange(N)
# 柱子的宽度
width = 0.45
# 绘制柱状图, 每根柱子的颜色为紫罗兰色
p2 = plt.bar(index, values, width, label="num", color="#87CEFA")
plt.xlabel('clusters')
plt.ylabel('Wavel energy')
plt.title('Cluster Distribution')
# 添加纵横轴的刻度
plt.xticks(index, ('7', '8', '9', '10', '11', '12', '13', '14'))
# plt.yticks(np.arange(0, 10000, 10))
plt.legend(loc="upper right")
plt.show()
data = arff.loadarff(r'D:\BasicMotions\BasicMotionsDimension1_TEST.arff')
df = pd.DataFrame(data[0]).set_index('activity')
y1 = df.iloc[0:10]
y2=df.iloc[10:20]
y3=df.iloc[20:30]
y4=df.iloc[30:40]
y_1=pd.concat([y1.iloc[0],y1.iloc[1]])
y_2=pd.concat([y2.iloc[0],y2.iloc[1]])
y_3=pd.concat([y3.iloc[0],y3.iloc[1]])
y_4=pd.concat([y4.iloc[0],y4.iloc[1]])
for i in range(8):
#Standing
yy1=pd.concat([y_1,y1.iloc[i+1]],axis=0,ignore_index=False)
y_1 = yy1
#Running
yy2 = pd.concat([y_2, y2.iloc[i + 1]], axis=0, ignore_index=False)
y_2 = yy2
# Walking
yy3 = pd.concat([y_3, y3.iloc[i + 1]], axis=0, ignore_index=False)
y_3 = yy3
# Badminton
yy4 = pd.concat([y_4, y4.iloc[i + 1]], axis=0, ignore_index=False)
y_4 = yy4
wpd_plt(y_1,3)
wpd_plt(y_2,3)
wpd_plt(y_3,3)
wpd_plt(y_4,3)
# 原始频率为1000Hz，分成8份，每份为125Hz，因此
# 7是指0-125Hz频段
# 8是指125-250Hz频段
# ...
# 13是指750-875Hz频段
# 14是指875-1000Hz频段
结果如图，3次分解后，统计能量直方图，可以发现4种运动还是有很大的不同。这里我只放了一种运动的。
关于FFT、小波、小波包有很多大佬写的很好。本文只在BasicMotions数据集进行实操。
1778
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
