健康行为监测与久坐提醒：K-Means聚类在健康领域的应用

Testopia2026-02-15 10:17

1. 引言

1.1 背景

现代人久坐不动是健康的一大隐患。世界卫生组织（WHO）指出，久坐是导致多种慢性疾病的重要因素，包括心血管疾病、糖尿病、肥胖等。随着智能手机和可穿戴设备的普及，我们可以通过传感器数据监测用户的行为模式，识别静止和运动状态，并根据静止时间提供个性化的健康建议。

传统的健康监测主要依赖用户主动记录，缺乏自动化和实时性。随着机器学习技术的发展，我们可以从传感器数据中自动识别用户行为，构建智能化的健康监测系统。

1.2 应用场景

  • 健康监测应用：帮助用户了解自己的行为模式，提供健康建议
  • 久坐提醒系统：自动识别长时间静止状态，提醒用户起身活动
  • 运动量统计：统计用户的运动时间，评估运动量是否充足
  • 生活习惯分析：分析用户的生活习惯，提供改善建议
  • 无监督学习教学案例：作为教学示例，学习K-Means聚类算法
  • AI项目周期实践示例：完整展示AI项目从需求到部署的全流程

1.3 目标与价值

本项目通过构建一个完整的健康行为监测系统，展示了如何：

  • 使用K-Means聚类算法进行无监督学习，识别用户行为模式
  • 将6类行为（站立、坐下、躺卧、行走、下楼梯、上楼梯）转换为2类（静止/运动）
  • 分析用户的静止时间模式，识别长时间静止状态
  • 根据静止时间提供个性化的健康建议
  • 创建交互式的健康监测界面

2. 项目概述

2.1 项目目标

通过传感器数据识别用户行为（静止/运动），并根据静止时间提供健康建议。

2.2 任务类型

  • 任务类型：无监督学习（聚类）、健康监测应用
  • 目标：将用户行为分为静止类和运动类，分析静止时间模式，提供健康建议

2.3 技术栈

  • 数据处理：Pandas、NumPy
  • 无监督学习：K-Means聚类
  • 数据可视化：Matplotlib、Seaborn
  • 模型评估：Scikit-learn（轮廓系数、同质性、完整性、V-measure、ARI、AMI等）
  • 交互界面：IPython Widgets、HTML

2.4 数据集

  • 数据集名称：Simplified Human Activity Recognition
  • 来源：Kaggle
  • 链接 ：https://www.kaggle.com/mboaglio/simplifiedhuarus
  • 数据量：3,609条记录
  • 特征数：563个（传感器特征）
  • 行为类别 ：6类
    • 静止类：站立（STANDING）、坐下（SITTING）、躺卧（LAYING）
    • 运动类：行走（WALKING）、下楼梯（WALKING_DOWNSTAIRS）、上楼梯（WALKING_UPSTAIRS）

数据格式：

  • CSV格式
  • 包含传感器数据（加速度计、陀螺仪等）
  • 每行代表一个时间段的传感器读数

3. AI项目周期6个阶段详解

阶段1：需求界定

3.1.1 问题定义

现代人久坐不动是健康的一大隐患。通过智能手机的传感器数据，我们可以监测用户的行为模式，识别静止和运动状态，并根据静止时间提供健康建议。

项目目标：

  1. 使用聚类算法将人类行为分为静止和运动两类
  2. 分析用户的静止时间模式
  3. 根据静止时间提供个性化的健康建议

应用场景：

  • 健康监测应用
  • 久坐提醒系统
  • 运动量统计
  • 生活习惯分析
3.1.2 关键技术：K-Means聚类

K-Means算法：

  • 无监督学习算法
  • 将数据分为k个簇
  • 本项目中k=2（静止类和运动类）

模型特点：

  • 简单高效
  • 适合数值型数据
  • 需要预先指定聚类数

阶段2：数据获取

3.2.1 环境准备

在开始项目之前，需要安装必要的库：

复制代码 
required_libraries = {
    "numpy": None,
    "pandas": None,
    "matplotlib": None,
    "seaborn": None,
    "sklearn": None
}

from utilities.utils import check_and_install
check_and_install(required_libraries)
3.2.2 数据加载
复制代码 
import os
import pandas as pd
import numpy as np

# 路径配置
project_dir = os.getcwd()
data_path = os.path.join(project_dir, "sample", "data")
train_file_name = "Dataset_Action_Detect_Train.csv"
train_csv_file = os.path.join(data_path, train_file_name)

# 加载数据
Data = pd.read_csv(train_csv_file)

print('数据集大小: ' + str(Data.shape))

输出示例：

复制代码 
数据集大小: (3609, 563)

知识点：

  • 使用 pandas.read_csv() 加载CSV数据
  • 数据集包含3,609条记录，563个特征
3.2.3 数据预处理
复制代码 
# 提取标签
Labels = Data['activity']
Data = Data.drop(['rn', 'activity'], axis=1)
Labels_keys = Labels.unique().tolist()
Labels = np.array(Labels)

print('行为标签: ' + str(Labels_keys))

输出示例：

复制代码 
行为标签: ['STANDING', 'SITTING', 'LAYING', 'WALKING', 'WALKING_DOWNSTAIRS', 'WALKING_UPSTAIRS']

知识点：

  • 提取行为标签（activity列）
  • 移除不需要的列（rn、activity）
  • 将标签转换为numpy数组

阶段3：数据分析

3.3.1 数据探索
复制代码 
from collections import Counter
import matplotlib.pyplot as plt

# 1. 行为分布统计
label_counts = Counter(Labels)
print("\n1. 行为分布统计")
for label, count in label_counts.items():
    print(f"   - {label}: {count} 条 ({count/len(Labels)*100:.1f}%)")

# 2. 可视化行为分布
fig, ax = plt.subplots(figsize=(12, 5))
labels_list = list(label_counts.keys())
counts_list = list(label_counts.values())
colors = ['green' if label in ['STANDING', 'SITTING', 'LAYING'] else 'blue' 
          for label in labels_list]
ax.bar(labels_list, counts_list, color=colors)
ax.set_title('行为分布统计', fontsize=14, fontweight='bold')
ax.set_ylabel('样本数量')
ax.set_xlabel('行为类别')
ax.tick_params(axis='x', rotation=45)
for i, v in enumerate(counts_list):
    ax.text(i, v, str(v), ha='center', va='bottom')
plt.tight_layout()
plt.show()

# 3. 静止vs运动统计
static_count = sum([count for label, count in label_counts.items() 
                    if label in ['STANDING', 'SITTING', 'LAYING']])
moving_count = sum([count for label, count in label_counts.items() 
                    if label in ['WALKING', 'WALKING_DOWNSTAIRS', 'WALKING_UPSTAIRS']])
print(f"\n2. 静止vs运动统计")
print(f"   - 静止类: {static_count} 条 ({static_count/len(Labels)*100:.1f}%)")
print(f"   - 运动类: {moving_count} 条 ({moving_count/len(Labels)*100:.1f}%)")

输出示例：

复制代码 
1. 行为分布统计
   - STANDING: 668 条 (18.5%)
   - SITTING: 623 条 (17.3%)
   - LAYING: 681 条 (18.9%)
   - WALKING: 603 条 (16.7%)
   - WALKING_DOWNSTAIRS: 493 条 (13.7%)
   - WALKING_UPSTAIRS: 541 条 (15.0%)

2. 静止vs运动统计
   - 静止类: 1972 条 (54.6%)
   - 运动类: 1637 条 (45.4%)

知识点：

  • 使用 Counter 统计行为分布
  • 可视化行为分布，使用不同颜色区分静止类和运动类
  • 数据分布相对均衡，静止类占54.6%，运动类占45.4%
3.3.2 数据预处理
复制代码 
from sklearn.preprocessing import StandardScaler

# 数据标准化
scaler = StandardScaler()
Data = scaler.fit_transform(Data)

print("数据标准化完成")

知识点：

  • 标准化（Standardization）：将特征缩放到均值为0、标准差为1的分布
  • 标准化对K-Means聚类很重要，因为K-Means基于距离计算
  • 不同尺度的特征会影响聚类结果
3.3.3 选择最优聚类数（K值）

使用肘部法则（Elbow Method）选择最优的聚类数。

复制代码 
from sklearn.cluster import KMeans

# 检查最优k值
ks = range(1, 10)
inertias = []

# k stands for number of clusters
for k in ks:
    model = KMeans(n_clusters=k, random_state=123, n_init=30)
    model.fit(Data)
    inertias.append(model.inertia_)

plt.figure(figsize=(8,5))
plt.plot(ks, inertias, '-o')
plt.xlabel('簇（分组数）, k')
plt.ylabel('簇内平方和（Inertia）')
plt.xticks(ks)
plt.show()

知识点：

  • 肘部法则（Elbow Method）：通过绘制不同k值的簇内平方和（Inertia），选择"肘部"点作为最优k值
  • 当k从1增加到2时，Inertia急剧下降；当k>2时，Inertia变化缓慢
  • 因此，最优k值为2（静止类和运动类）

阶段4：模型构建

3.4.1 创建K-Means聚类模型
复制代码 
from sklearn.cluster import KMeans
from sklearn.metrics import (homogeneity_score, completeness_score,
                             v_measure_score, adjusted_rand_score,
                             adjusted_mutual_info_score, silhouette_score)

def k_means(n_clust, data_frame, true_labels):
    """
    Function k_means applies k-means clustering algorithm on dataset and prints 
    the crosstab of cluster and actual labels and clustering performance parameters.
    
    Input:
    n_clust - number of clusters (k value)
    data_frame - dataset we want to cluster
    true_labels - original labels
    
    Output:
    1 - crosstab of cluster and actual labels
    2 - performance table
    """
    k_means = KMeans(n_clusters=n_clust, random_state=123, n_init=30)
    k_means.fit(data_frame)
    c_labels = k_means.labels_
    df = pd.DataFrame({'clust_label': c_labels, 'orig_label': true_labels.tolist()})
    ct = pd.crosstab(df['clust_label'], df['orig_label'])
    y_clust = k_means.predict(data_frame)
    display(ct)
    print('% 9s' % 'inertia  homo    compl   v-meas   ARI     AMI     silhouette')
    print('%i   %.3f   %.3f   %.3f   %.3f   %.3f    %.3f'
      %(k_means.inertia_,
      homogeneity_score(true_labels, y_clust),
      completeness_score(true_labels, y_clust),
      v_measure_score(true_labels, y_clust),
      adjusted_rand_score(true_labels, y_clust),
      adjusted_mutual_info_score(true_labels, y_clust),
      silhouette_score(data_frame, y_clust, metric='euclidean')))

# 训练模型（6类行为）
k_means(n_clust=2, data_frame=Data, true_labels=Labels)

输出示例：

复制代码 
inertia  homo    compl   v-meas   ARI     AMI     silhouette
1156484   0.378   0.981   0.546   0.329   0.546    0.390

知识点：

  • Homogeneity（同质性）：每个簇只包含单一类别的样本
  • Completeness（完整性）：所有同类样本都在同一簇中
  • V-measure：同质性和完整性的调和平均
  • ARI（调整兰德指数）：衡量聚类结果与真实标签的一致性
  • AMI（调整互信息）：衡量聚类结果与真实标签的信息量
  • Silhouette（轮廓系数）：衡量簇内紧密度和簇间分离度
3.4.2 转换为二分类（静止/运动）

将6类行为转换为2类：静止类（0）和运动类（1）。

复制代码 
# 将标签转换为二分类：0-静止，1-运动
Labels_binary = Labels.copy()
for i in range(len(Labels_binary)):
    if (Labels_binary[i] == 'STANDING' or Labels_binary[i] == 'SITTING' or Labels_binary[i] == 'LAYING'):
        Labels_binary[i] = 0
    else:
        Labels_binary[i] = 1
Labels_binary = np.array(Labels_binary.astype(int))

# 训练模型（二分类）
k_means(n_clust=2, data_frame=Data, true_labels=Labels_binary)

输出示例：

复制代码 
inertia  homo    compl   v-meas   ARI     AMI     silhouette
1156484   0.977   0.978   0.978   0.991   0.978    0.390

知识点：

  • 将6类行为转换为2类（静止/运动）后，聚类效果显著提升
  • V-measure从0.546提升到0.978，接近1.0，表示聚类质量很高
  • ARI从0.329提升到0.991，接近1.0，表示与真实标签高度一致

阶段5：效果评估

3.5.1 模型性能分析
复制代码 
from sklearn.metrics import confusion_matrix
import seaborn as sns

# 重新训练模型以获取预测结果
kmeans_model = KMeans(n_clusters=2, random_state=123, n_init=30)
kmeans_model.fit(Data)
predictions = kmeans_model.predict(Data)

print("=" * 60)
print("效果评估阶段 - 模型性能总结")
print("=" * 60)

# 混淆矩阵
cm = confusion_matrix(Labels_binary, predictions)

# 可视化混淆矩阵
plt.figure(figsize=(8, 6))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', 
            xticklabels=['静止', '运动'],
            yticklabels=['静止', '运动'])
plt.title('混淆矩阵 (Confusion Matrix)', fontsize=14, fontweight='bold')
plt.ylabel('真实类别', fontsize=12)
plt.xlabel('预测类别', fontsize=12)
plt.tight_layout()
plt.show()

# 计算准确率
accuracy = (cm[0][0] + cm[1][1]) / cm.sum() * 100
print(f"\n模型准确率: {accuracy:.2f}%")
print(f"\n详细指标（从之前的输出）:")
print(f"  - V-measure: 0.978 (接近1.0，表示聚类质量很高)")
print(f"  - ARI: 0.991 (接近1.0，表示与真实标签高度一致)")
print(f"  - Silhouette: 0.390 (表示簇间分离度良好)")

输出示例：

复制代码 
效果评估阶段 - 模型性能总结
============================================================

模型准确率: 99.78%

详细指标（从之前的输出）:
  - V-measure: 0.978 (接近1.0，表示聚类质量很高)
  - ARI: 0.991 (接近1.0，表示与真实标签高度一致)
  - Silhouette: 0.390 (表示簇间分离度良好)

知识点：

  • 混淆矩阵：可视化分类错误情况
  • 准确率：模型正确分类的样本占总样本的比例
  • V-measure：同质性和完整性的调和平均，接近1.0表示聚类质量很高
  • ARI：调整兰德指数，接近1.0表示与真实标签高度一致

阶段6：部署应用

3.6.1 行为模式分析

分析用户的静止和运动时间模式，为健康建议提供依据。

复制代码 
# 假设数据按时间顺序排列，每个样本代表一个时间段
# 计算连续静止时间段

def analyze_behavior_patterns(predictions, labels_binary):
    """分析行为模式，识别连续静止时间段"""
    
    # 统计静止和运动的总时间
    static_count = sum(predictions == 0)
    moving_count = sum(predictions == 1)
    total_samples = len(predictions)
    
    # 假设每个样本代表1分钟
    sample_duration = 1  # 分钟
    static_minutes = static_count * sample_duration
    moving_minutes = moving_count * sample_duration
    total_minutes = total_samples * sample_duration
    
    # 计算连续静止时间段
    continuous_static_periods = []
    current_static_duration = 0
    
    for i, pred in enumerate(predictions):
        if pred == 0:  # 静止
            current_static_duration += sample_duration
        else:  # 运动
            if current_static_duration > 0:
                continuous_static_periods.append(current_static_duration)
                current_static_duration = 0
    
    # 处理最后一个时间段
    if current_static_duration > 0:
        continuous_static_periods.append(current_static_duration)
    
    return {
        'static_minutes': static_minutes,
        'moving_minutes': moving_minutes,
        'total_minutes': total_minutes,
        'static_percentage': static_minutes / total_minutes * 100,
        'moving_percentage': moving_minutes / total_minutes * 100,
        'continuous_static_periods': continuous_static_periods,
        'max_static_duration': max(continuous_static_periods) if continuous_static_periods else 0,
        'avg_static_duration': np.mean(continuous_static_periods) if continuous_static_periods else 0
    }

# 分析行为模式
behavior_stats = analyze_behavior_patterns(predictions, Labels_binary)

print("=" * 60)
print("行为模式分析")
print("=" * 60)
print(f"\n总监测时间: {behavior_stats['total_minutes']:.0f} 分钟 ({behavior_stats['total_minutes']/60:.1f} 小时)")
print(f"静止时间: {behavior_stats['static_minutes']:.0f} 分钟 ({behavior_stats['static_minutes']/60:.1f} 小时)")
print(f"运动时间: {behavior_stats['moving_minutes']:.0f} 分钟 ({behavior_stats['moving_minutes']/60:.1f} 小时)")
print(f"\n静止时间占比: {behavior_stats['static_percentage']:.1f}%")
print(f"运动时间占比: {behavior_stats['moving_percentage']:.1f}%")
print(f"\n最长连续静止时间: {behavior_stats['max_static_duration']:.0f} 分钟")
print(f"平均连续静止时间: {behavior_stats['avg_static_duration']:.1f} 分钟")

输出示例：

复制代码 
行为模式分析
============================================================

总监测时间: 3609 分钟 (60.1 小时)
静止时间: 1976 分钟 (32.9 小时)
运动时间: 1633 分钟 (27.2 小时)

静止时间占比: 54.8%
运动时间占比: 45.2%

最长连续静止时间: 51 分钟
平均连续静止时间: 31.4 分钟

知识点：

  • 分析行为模式，识别连续静止时间段
  • 统计静止和运动的总时间
  • 计算最长连续静止时间和平均连续静止时间
3.6.2 健康建议生成

根据静止时间模式，生成个性化的健康建议。

复制代码 
def generate_health_recommendations(behavior_stats):
    """根据行为模式生成健康建议"""
    
    recommendations = []
    
    # 1. 总体静止时间建议
    if behavior_stats['static_percentage'] > 80:
        recommendations.append({
            'type': 'warning',
            'title': '久坐警告',
            'message': f"您的静止时间占比为{behavior_stats['static_percentage']:.1f}%，超过80%。建议增加运动时间。",
            'suggestion': '建议每天至少运动30分钟，可以尝试散步、慢跑或做家务。'
        })
    elif behavior_stats['static_percentage'] > 60:
        recommendations.append({
            'type': 'info',
            'title': '运动提醒',
            'message': f"您的静止时间占比为{behavior_stats['static_percentage']:.1f}%。",
            'suggestion': '建议适当增加运动时间，保持健康的生活方式。'
        })
    else:
        recommendations.append({
            'type': 'success',
            'title': '运动充足',
            'message': f"您的运动时间占比为{behavior_stats['moving_percentage']:.1f}%，运动量充足。",
            'suggestion': '继续保持良好的运动习惯！'
        })
    
    # 2. 连续静止时间建议
    if behavior_stats['max_static_duration'] > 120:
        recommendations.append({
            'type': 'warning',
            'title': '长时间静止警告',
            'message': f"您最长连续静止时间为{behavior_stats['max_static_duration']:.0f}分钟（{behavior_stats['max_static_duration']/60:.1f}小时）。",
            'suggestion': '建议每60分钟起身活动5-10分钟，可以设置定时提醒。'
        })
    elif behavior_stats['max_static_duration'] > 60:
        recommendations.append({
            'type': 'info',
            'title': '久坐提醒',
            'message': f"您最长连续静止时间为{behavior_stats['max_static_duration']:.0f}分钟。",
            'suggestion': '建议每60分钟起身活动一下，可以倒杯水、伸展身体。'
        })
    
    # 3. 运动时间建议
    if behavior_stats['moving_minutes'] < 30:
        recommendations.append({
            'type': 'warning',
            'title': '运动不足',
            'message': f"您今天的运动时间为{behavior_stats['moving_minutes']:.0f}分钟，低于推荐的30分钟。",
            'suggestion': '建议增加日常活动，如步行上班、爬楼梯、做家务等。'
        })
    
    return recommendations

# 生成健康建议
recommendations = generate_health_recommendations(behavior_stats)

print("=" * 60)
print("个性化健康建议")
print("=" * 60)

for i, rec in enumerate(recommendations, 1):
    print(f"\n【建议 {i}】{rec['title']}")
    print(f"   {rec['message']}")
    print(f"   💡 {rec['suggestion']}")

输出示例：

复制代码 
个性化健康建议
============================================================

【建议 1】运动充足
   您的运动时间占比为45.2%，运动量充足。
   💡 继续保持良好的运动习惯！

知识点：

  • 根据行为模式生成个性化的健康建议
  • 建议包括总体静止时间、连续静止时间、运动时间等方面
  • 根据不同的行为模式，提供不同级别的建议（警告、提醒、鼓励）
3.6.3 交互式健康监测界面

创建一个简单的交互式界面，展示健康监测结果和建议。

复制代码 
from IPython.display import display, HTML

def create_health_dashboard(behavior_stats, recommendations):
    """创建健康监测仪表板"""
    
    # 创建HTML仪表板
    dashboard_html = f"""
    <div style='padding: 20px; background-color: #f5f5f5; border-radius: 10px;'>
        <h2 style='color: #2c3e50; text-align: center;'>健康监测仪表板</h2>
        
        <div style='display: flex; justify-content: space-around; margin: 20px 0;'>
            <div style='background-color: white; padding: 15px; border-radius: 8px; text-align: center; box-shadow: 0 2px 4px rgba(0,0,0,0.1);'>
                <h3 style='color: #27ae60; margin: 0;'>总监测时间</h3>
                <p style='font-size: 24px; font-weight: bold; margin: 10px 0;'>{behavior_stats['total_minutes']/60:.1f} 小时</p>
            </div>
            <div style='background-color: white; padding: 15px; border-radius: 8px; text-align: center; box-shadow: 0 2px 4px rgba(0,0,0,0.1);'>
                <h3 style='color: #e74c3c; margin: 0;'>静止时间</h3>
                <p style='font-size: 24px; font-weight: bold; margin: 10px 0;'>{behavior_stats['static_minutes']/60:.1f} 小时</p>
                <p style='color: #7f8c8d; margin: 0;'>({behavior_stats['static_percentage']:.1f}%)</p>
            </div>
            <div style='background-color: white; padding: 15px; border-radius: 8px; text-align: center; box-shadow: 0 2px 4px rgba(0,0,0,0.1);'>
                <h3 style='color: #3498db; margin: 0;'>运动时间</h3>
                <p style='font-size: 24px; font-weight: bold; margin: 10px 0;'>{behavior_stats['moving_minutes']/60:.1f} 小时</p>
                <p style='color: #7f8c8d; margin: 0;'>({behavior_stats['moving_percentage']:.1f}%)</p>
            </div>
        </div>
        
        <div style='background-color: white; padding: 20px; border-radius: 8px; margin-top: 20px; box-shadow: 0 2px 4px rgba(0,0,0,0.1);'>
            <h3 style='color: #2c3e50; margin-top: 0;'>健康建议</h3>
    """
    
    for rec in recommendations:
        color_map = {'warning': '#e74c3c', 'info': '#f39c12', 'success': '#27ae60'}
        icon_map = {'warning': '⚠️', 'info': 'ℹ️', 'success': '✅'}
        color = color_map.get(rec['type'], '#3498db')
        icon = icon_map.get(rec['type'], '💡')
        
        dashboard_html += f"""
            <div style='border-left: 4px solid {color}; padding-left: 15px; margin: 10px 0;'>
                <h4 style='color: {color}; margin: 5px 0;'>{icon} {rec['title']}</h4>
                <p style='margin: 5px 0; color: #34495e;'>{rec['message']}</p>
                <p style='margin: 5px 0; color: #7f8c8d; font-style: italic;'>{rec['suggestion']}</p>
            </div>
        """
    
    dashboard_html += """
        </div>
    </div>
    """
    
    return dashboard_html

# 创建并显示仪表板
dashboard = create_health_dashboard(behavior_stats, recommendations)
display(HTML(dashboard))

知识点：

  • 创建交互式的健康监测界面
  • 使用HTML和CSS创建美观的仪表板
  • 展示监测结果和健康建议

4. 关键技术点总结

4.1 无监督学习：K-Means聚类

  • K-Means算法：将数据分为K个簇，同一簇内的对象彼此相似
  • 肘部法则：通过绘制不同k值的簇内平方和，选择最优k值
  • 数据标准化：标准化对K-Means聚类很重要，因为K-Means基于距离计算

4.2 模型评估指标

  • Homogeneity（同质性）：每个簇只包含单一类别的样本
  • Completeness（完整性）：所有同类样本都在同一簇中
  • V-measure：同质性和完整性的调和平均
  • ARI（调整兰德指数）：衡量聚类结果与真实标签的一致性
  • AMI（调整互信息）：衡量聚类结果与真实标签的信息量
  • Silhouette（轮廓系数）：衡量簇内紧密度和簇间分离度

4.3 行为模式分析

  • 连续静止时间段识别：识别用户长时间静止的状态
  • 时间统计：统计静止和运动的总时间
  • 健康建议生成：根据行为模式生成个性化的健康建议

4.4 交互式界面

  • HTML仪表板：创建美观的健康监测界面
  • 数据可视化：展示监测结果和健康建议

5. 总结与扩展

5.1 主要发现

  • K-Means聚类效果优秀：V-measure达到0.978，ARI达到0.991，准确率达到99.78%
  • 数据标准化很重要：标准化后聚类效果显著提升
  • 二分类效果更好：将6类行为转换为2类（静止/运动）后，聚类效果显著提升
  • 行为模式分析有价值：通过分析连续静止时间段，可以识别长时间静止状态

5.2 后续改进方向

  1. 实时数据采集和处理：

    • 集成智能手机传感器API
    • 实时采集和处理传感器数据
    • 实时更新健康监测结果

  2. 更细粒度的行为分类：

    • 使用6类行为（而不是2类）进行更详细的分析
    • 识别更多行为模式（如睡眠、工作、休息等）

  3. 个性化健康建议算法优化：

    • 根据用户的历史数据优化建议算法
    • 考虑用户的年龄、性别、健康状况等因素

  4. 移动端应用开发：

    • 开发iOS和Android应用
    • 集成推送通知功能
    • 提供更丰富的交互体验

  5. 数据可视化增强：

    • 创建更丰富的可视化图表
    • 提供历史数据对比
    • 展示趋势分析

6. 参考资料

  1. 数据集：

  2. 技术文档：

  3. 相关论文：

    • K-Means聚类算法研究
    • 健康行为监测系统研究

  4. 代码仓库（在建中）：

    • 项目代码可在GitHub上查看
    • Jupyter Notebook文件包含完整的实现代码

结语

本项目完整展示了从需求界定到模型部署的AI项目周期，通过K-Means聚类算法，我们成功将用户行为分为静止类和运动类，并构建了一个完整的健康监测应用。在实际应用中，可以根据具体需求扩展功能，如实时数据采集、更细粒度的行为分类、个性化健康建议等。

希望本文能够帮助读者理解无监督学习在健康监测领域的应用，并为实际项目提供参考。如有问题或建议，欢迎交流讨论！

作者 ：Testopia
日期 ：2026年2月
标签：#机器学习 #K-Means聚类 #无监督学习 #健康监测 #久坐提醒 #AI项目周期 #Python

相关推荐
互联网Ai好者1 小时前
中国版 Moltbook 正式亮相，AI 智能体的本土社交主场
人工智能·智能体·openclaw·moltcn
x-cmd1 小时前
[x-cmd] 性能与成本的帕累托前沿：Google 发布 Gemini 3 Flash，如何用“闪电速度”构建下一代 AI 应用？
大数据·人工智能·google·flash·gemini·x-cmd
ViiTor_AI1 小时前
YouTuber 为什么开始用 AI 配音？2026 年 TTS 工具选型与性能对比
人工智能
LS_learner1 小时前
2025-2026年大模型全景图：按功能分类与参数规模详解
人工智能
陈天伟教授1 小时前
人工智能应用- 扫地机器人：02. 机器人 ≠ 人工智能
人工智能·神经网络·游戏·自然语言处理·机器人·机器翻译
java1234_小锋1 小时前
Cursor+Claude AI编程 - Cursor会话里的Agent,Plan,Debug,Ask区别以及使用
ai编程·claude·cursor
MaoziShan1 小时前
CMU Subword Modeling | 03 Productivity and Generalization
人工智能·机器学习·自然语言处理
2501_924878731 小时前
中小电商自建直播间成本降47%：AI口播智能体轻量部署（含Docker+OBS链路）
人工智能·docker·容器·排序算法·宽度优先
隔壁大炮2 小时前
第二章 多层神经网络
人工智能·深度学习·神经网络·算法
热门推荐
01PHP Error: 常见错误及其解决方法02GitHub 镜像站点03Claude Code + GLM4.7 避坑指南：解决 Unable to connect to Anthropic services04UV安装并设置国内源05HTB 赛季10 - Pterodactyl - user06爬虫逆向之观安（观镜WEB应用安全防护系统）07openClaw安装飞书插件｜核心踩坑：spawn EINVAL 错误终极解决指南08243 行 microGPT：把“训练 + 推理”拆到骨头里09Android Studio Panda 1 正式版来了：JDK 终于不用手动配了，内存泄漏也有原生方案了10如何解决 OpenClaw “Pairing required” 报错：两种官方解决方案详解