N1k1f0rM / gyro-cluster

Clustering human activity by accelerometer from smartphone

📱 Activity Clustering Project: Unsupervised Analysis of Sensor Data

Проект представляет собой кластеризацию для идентификации видов физической активности на основе данных сенсоров мобильного телефона.

🎯 Постановка задачи

Цель: Автоматическое выявление паттернов активности человека (6 классов) на основе:

Условия:

• Высокая размерность данных (561 признак)
• Требование масштабирования и оптимизации вычислительных ресурсов

✨ Особенности решения

• Интеллектуальное масштабирование: StandardScaler для сохранения относительных расстояний
• Оптимальное снижение размерности: PCA с порогом 90% объясненной дисперсии
• Сравнение алгоритмов:
  • K-Means с оптимизацией числа кластеров
  • Иерархическая агломеративная кластеризация
• Мультиметрическая оценка:
  • Davies-Bouldin Score (минимизация)
  • Silhouette Score (максимизация)
• Продвинутая визуализация:
  • 2D проекции (PCA, t-SNE, MDS, Isomap)

🛠 Установка

1. Клонировать репозиторий: git clone https://github.com/yourusername/activity-clustering.git cd activity-clustering

🔬 Этапы анализа

1. Предобработка данных

• Нормализация сигналов (StandardScaler)

2. Снижение размерности

• Применение PCA для 90% дисперсии
• Оптимальное число компонент: 65 (сокращение размерности в ~8.6 раз)
• Анализ вклада компонент:

3. Кластеризация

Метод	Число кластеров	Davies-Bouldin	Silhouette
K-Means	6	2.05	0.14
Agglomerative	6	2.12	0.15

📊 Результаты

• Лучший алгоритм: K-Means с Davies-Bouldin 2.05
• Кластеры успешно разделяют: высокую активность(ходить, бегать итд) от низкой (лежать, сидеть итд)
• Выявленные аномалии: смешение подъем/спуск по лестнице

🎨 Визуализации

t-SNE	MDS	Isomap

t-sne оказалась лучше в данном случае