Time Series Data > Machine Learning

[과정 이해하기]

1. Merge

FRT와 Motion data의 시간 동기화 > 병합 > 하나의 보행 데이터 파일 생성

 

merge_Files_in_Folders(DIR_Src = Dataset/2022_11_10)

┗ create a folder for the merged files

원래 폴더명에 _M을 붙어서 새로운 폴더를 만들어

list of devices = [shadow, hs_server]

 

2. Labelling

보행 데이터의 정보 이용해 마지막 col 에 'TAG' 부여

label_config > shadowdata | smartinsoldata

 

3. FeatureSelection

'feature_config_xlsx' 이용해 라벨링된 데이터로부터 특징 재정렬 > 데이터 파일로 저장 > 특징 설정별로 폴더 생성해 데이터 관리

feature_config > class | IMU | SmartInsole | JointEncoder | ShadowMocap

 

4. Split

병합된 파일 이용해 K-Fold CV 기법 적용해 폴더 구성

 

5. Learning SW

특징별로 구성된 폴더와 'training_config.xlsx' 파일 이용한 신경망 학습 > 결과 파일 생성

training_config > case | Window size | Window step | Prediction Step | LSTM_Units | Epoch | batch size

training_config 파일 읽어 > Case 파악 > 폴더의 위치를 리스트로 관리

 

1. data reshape

 

(time * window size * features) > (time * features * window size) window size = sliding window

• 16 | 32 | 64 | 128 조절

• pathience = 5 : 10 ~ 12 epoch 에서 early stopping

 

+ shape 변경 이유는 딱히 없음 > 이게 맞을 것 같다

++ Data 수가 적으면 모델이 복잡한게 좋을거에요.. << 데이터가 많으니까 단순한 모델 사용

 

 

윈도우 크기가 연산 속도 및 변이 구간에서의 예측 성능에 영향

> 동작과 동작 사이의 변이 구간을 어떻게 레이블링하느냐에 따라 달라져

 

 

EX_ 걷는 동작 >> 변이 구간 >> 허리 숙이기

window size 작으면 변이 구간 포착 쉬워 > 잘 예측

window size 크면 다양한 동작들 중 어떤 걸로 예측할지 몰라 성능 오히려 안좋아질 수 있음

 

---

 

2. Data Augment

 

163854 > 1103599

 

힘을 내봐..

 

* 성능 비교: 원본 데이터 | 증폭한 데이터 (window size = 16)

87 >>> 99까지 갑자기 오른다?

 

* train | test | val dataset split 과정

> test data는 중폭시키면 안될듯

 

---

 

3. model 변경

[original] BidirectionalLSTM

 

• CNN: ValueError ???  

시계열 데이터 > 이미지 처럼 읽어들이기

class CNN:

    @staticmethod
    def build(n_timesteps, n_features, classes):

        input_shape = Input(shape=(n_timesteps, n_features, 1))

        model = models.Sequential([
            layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu', input_shape=input_shape),
            layers.MaxPooling2D(pool_size=(2, 2)),
            layers.Conv2D(filters=64, kernel_size=(3, 3), activation='relu'),
            layers.MaxPooling2D(pool_size=(2, 2)),
            layers.Flatten(),
            layers.Dense(128, activation='relu'),
            layers.Dense(classes, activation='softmax')
        ])

        return model

 

 

• LeNet5 [paper]

LeNet5나 CNN 이나 사실 비슷..

LeNet 이 CNN의 초기 버전 (상대적 간단하고 작은 모델) > 숫자 인식 같은 작업을 위해 개발된