时序数据集K-Means聚类前子采样、PCA处理MATLAB步骤咨询

一、20名受试者数据集的合理子采样方案 #

采样核心原则：不破坏原始数据的受试者分布、活动类别分布，不引入冗余的时序自相关偏差，总采样量控制在10万~20万行即可，完全满足后续MATLAB运算效率要求。
具体操作步骤：

• 先按受试者ID+活动标签做分层分组，统计每个分组的原始行数，提前算好每个分组需要抽取的样本量，保证采样后各分组样本占比和原始数据集偏差不超过5%，避免短时长活动、样本量少的受试者被漏采。
• 根据数据类型选采样方式：
  • 如果70维是已经提取好的窗口级特征（比如时域统计量、频域特征）：直接在每个分组内做等间隔抽样即可，比如总采样率设为10%就每10行取1行，不要全局随机抽点，避免抽到连续高度相关的冗余样本。
  • 如果70维是原始传感器逐点采样值：用无重叠滑动窗口采样，窗口长度匹配单步活动的时长（比如50Hz采样率下设1_{2s窗口，即50}100个点），取每个窗口的特征值作为一个样本，不要抽单点——单点时序值没有活动语义，采了也没用。
• 采样后做校验：统计采样后20名受试者的样本占比、各活动类的样本占比，和原始分布做对比，同时确认没有出现某类活动、某个受试者样本量为0的情况。

避坑提醒：不要直接对全量100万行做全局随机采样，这种方式极容易漏采短时长的过渡活动样本，还会因为时序数据的强自相关性采到大量冗余相邻点，有效信息量极低。

二、MATLAB环境下PCA+K-Means完整操作步骤 #

2.1 数据预处理 #

首先把采样后的数据导入MATLAB，拆分特征列与标识列，做标准化：

% 按实际数据结构调整列索引：假设第1列为受试者ID，第2列为真实活动标签，第3到70列为特征
data_sampled = readmatrix('sampled_data.csv'); % 替换成你的数据导入方式
sub_id = data_sampled(:,1);
true_label = data_sampled(:,2);
X = data_sampled(:,3:70);
% PCA对量纲敏感，必须做Z-score标准化
X = zscore(X);

2.2 PCA降维 #

直接调用MATLAB内置pca函数，数值稳定性比自己实现的版本好很多：

% 执行PCA计算
[coeff, score, latent, ~, explained] = pca(X);
% 计算累计方差贡献率，选累计贡献90%~95%对应的主成分维度即可
cum_var = cumsum(explained);
k = find(cum_var >= 95, 1, 'first');
fprintf('保留%d个主成分，累计方差贡献率为%.2f%%\n',k,cum_var(k));
% 提取降维后的数据集用于后续聚类
X_pca = score(:, 1:k);

避坑提醒：不要把受试者ID、活动标签这类非特征列放进PCA输入矩阵，不然会严重干扰降维结果。

2.3 K-Means聚类 #

先确定最优聚类数，再跑正式聚类：

• 无真实标签时用肘部法则确定K值：

% 遍历K值从2到15，计算每个K对应的簇内平方和
max_test_k = 15;
sse = zeros(max_test_k,1);
for i = 1:max_test_k
    [~,~,sumd] = kmeans(X_pca, i, 'Distance','sqeuclidean','Replicates',5);
    sse(i) = sum(sumd);
end
% 绘制肘部图，选SSE下降趋势突然变缓的拐点作为最终K值
plot(1:max_test_k, sse, 'o-','LineWidth',1.5);
xlabel('聚类数K'); ylabel('簇内平方和SSE');

• 确定K值后跑正式聚类，多跑几次重复避免局部最优：

% 替换成你确定的K值，Replicates设为5~10次即可
K = 6;
[cluster_idx, cluster_center, ~, ~] = kmeans(X_pca, K, ...
    'Distance','sqeuclidean',...
    'Replicates',10,...
    'MaxIter',1000);
% cluster_idx就是每个样本对应的聚类标签

2.4 结果合理性校验 #

• 受试者维度校验：统计每个聚类中20名受试者的样本占比，如果某个聚类90%以上样本都来自同一个受试者，说明采样或降维有问题，把个体差异当成了活动特征，需要重新调整采样策略。
• 标签维度校验：如果有真实活动标签，可以计算调整兰德指数、调整互信息，看聚类结果和真实活动类别的匹配度。

内容的提问来源于stack exchange，提问作者Krishna