泰迪杯实战案例学习资料：基于穿戴装备的身体活动监测与健康预警系统设计

（2025年泰迪杯数据挖掘挑战赛B题特等奖案例深度解析）

---

一、案例背景与目标

1.1 应用场景与需求

随着可穿戴设备的普及（如智能手环、智能手表），如何从加速度计数据中挖掘用户行为特征，已成为健康管理领域的关键问题。本案例基于穿戴设备采集的三轴加速度数据，需解决以下核心问题：

1. 活动分类与时长统计：根据代谢当量（MET值）划分用户活动类型（如睡眠、久坐、运动），并统计各类型时长。

2. 能耗预测与运动结构分析：构建回归模型预测实时MET值，分析用户活动强度分布。

3. 睡眠阶段无监督识别：通过聚类算法划分夜间睡眠状态（深度睡眠、浅睡眠、觉醒）。

4. 久坐行为预警：识别连续30分钟以上的静态行为，输出健康风险等级。

1.2 技术挑战

• 数据复杂性：加速度数据为高频时间序列，需高效处理噪声和异常值。

• 模型泛化性：需适应个体差异（如不同年龄、性别）和活动多样性。

• 实时性要求：部分场景（如久坐预警）需低延迟响应。

---

二、技术路线与核心步骤

2.1 数据预处理与特征工程

2.1.1 数据清洗与标注

• 数据来源：三轴加速度数据（采样频率50Hz）、MET值标签、用户属性（性别、年龄）。

• 异常值处理：

  python

  # 基于分位数过滤异常加速度值
  def remove_outliers(df, column, threshold=0.99):
      q = df[column].quantile(threshold)
      return df[df[column] < q]

• MET值映射：按国际标准划分活动等级（如MET<1.0为睡眠，MET≥6.0为高强度运动）。

2.1.2 滑动窗口特征提取

• 窗口设置：窗口长度5秒（250个采样点），步长2秒。

• 特征类型：