Мобильные носимые устройства содержат большинство доступных на рынке инерциальных датчиков: это и датчики атмосферного давления, и акселерометры, и гироскопы. Помимо традиционных задач инерциальной навигации, то есть задач восстановления траектории движения и позиционирования, измерения от этих датчиков можно использовать для определения типа движения.

Данные о типе активности, предпринимаемой в данный момент носителем устройства, могут использоваться для задач наблюдения за объектом и обнаружения экстренных ситуаций. Ещё одним преимуществом является возможность выключения отдельных датчиков или перевода их в режим низкого энергопотребления. Например, можно значительно снижать период отправки данных о локации по беспроводной сети или полностью выключать GPS-приёмник тогда, когда носитель устройства данных неподвижен, то есть находится в стационарном состоянии. Благодаря данным о типе перемещения можно распознать среду нахождения пользователя, увеличив точность лоцирования. Примерами таких средоориентированных типов движения являются подъём или спуск в лифте, подъём или спуск по ступенькам, бег (так как человек не может развить достаточную скорость в замкнутых, тесных пространствах) и ряд других.

Предлагаемый алгоритм не зависит от места крепления устройства сбора данных и его ориентации относительно тела человека, в нём используется один блок трёхосевых инерциальных датчиков. В этих условиях становится возможным только базовая классификация типов движения. Исходя из вышеозначенных положений производится классификация типа движения среди четырёх видов: ходьба, бег, состояние покоя или состояние подъёма/спуска по лестнице.

Для классификации используются следующие информационные сигналы:

• Длины векторов ускорения \(|a|\) и угловой скорости \(|w|\), вычисляемые как $$ |a| = \sqrt{a_x^2 + a_y^2 + a_z^2}, $$ $$ |w| = \sqrt{w_x^2 + w_y^2 + w_z^2}, $$ где \(a_i\) и \(w_i\) – ускорение и угловая скорость, измеренные на соответствующих взаимноперпендикулярных осях акселерометра и гироскопа.
• Величина ускорения в горизонтальной плоскости $$ |a_{horiz}| = \sqrt{a_{x_{GF}}^2 + a_{y_{GF}}^2}, $$ где \(a_{i_{GF}}\) – измеренное ускорение в горизонтальной плоскости, связанной с системой координат NED (север, восток, низ). Перевод измерений из системы координат устройства в систему координат NED осуществляется путём умножения вектора измерений в системе координат устройства на матрицу вращения \(R_m\). Предполагается, что задача разрешения ориентации устройства уже решена ранее каким-либо из известных методов.
• Вертикальное ускорение за вычетом значения ускорения свободного падения, вызванного силой тяжести $$ a_{vert_{GF}} = a_{z_{GF}} - g, $$ где \(a_{z_{GF}}\) – ускорение, измеряемое акселерометром и представленное в глобальной системе координат, \(g\) – значение ускорения свободного падения в текущей точке пространства.

Задача классификации состоит в определении состояния некоторой переменной на основании производных от неё наблюдений. Указанные выше информационные сигналы были исследованы следующим образом.

Сначала все временные ряды информационных сигналов были разбиты на окна размером 128 и 256 элементов c 50 % перекрытием. С учетом того, что данные собирались с частотой 100 Гц, каждое окно содержало данные за период от 1.28 до 2.56 с. Данного времени вполне достаточно для того, чтобы надежно определять тип движения даже при небольших перемещениях.

В каждом окне из сигнала извлекались следующие характеристики:

• Среднее.
• Дисперсия, или стандартное отклонение.
• Максимальное значение.
• Минимальное значение.
• Число пересечений нуля.
• Главная частотная компонента сигнала (при помощи быстрого преобразования Фурье).
• Энергия спектра (сумма квадратов коэффициентов быстрого преобразования Фурье).
• Задержка между сигналами \(a_{horiz}\) и \(a_{vert}\) при помощи расчета их взаимной кросс-корреляции.
• Линейная корреляция сигналов \(a_{horiz}\) и \(a_{vert}\).

Для каждой характеристики были построены гистограммы распределени, был проведён гистограммный анализ и сделаны следующие заключения.

• Корреляция между вертикальной и горизонтальной компонентами ускорения имеет достаточно хорошую информационную ценность для отделения ходьбы от подъёма по лестнице. На графике видно, что вероятность нахождения в состоянии подьём/спуск по лестнице при значении коэффициента корреляции 0.5 составляет около 30 %, в то время как вероятность нахождения в состоянии ходьбы не превышает 10 % для интервала 0.3–0.6.
  Рис.1. Корреляция между вертикальным и горизонтальным ускорением.
  По оси Y – вероятность, по оси X – рассчитанное значение указанной характеристики. Синяя гистограмма (r) – бег, оранжевая (s) – подъём или спуск по лестнице, песочно-жёлтая (w) – ходьба, фиолетовая (n) – состояние покоя.

• Среднее вертикальной компоненты ускорения позволяет хорошо отделить состояния стационарности и бега от ходьбы и подьёма/спуска по лестнице. Преимуществом использования данной характеристики для разделения состояний ходьбы и подъёма/спуска по лестнице является одинаково небольшое значение дисперсии при удалённости среднего друг от друга практически на величину этой дисперсии.
  Рис.2. Среднее вертикального ускорения.
  По оси Y – вероятность, по оси X – рассчитанное значение указанной характеристики. Синяя гистограмма (r) – бег, оранжевая (s) – подъём или спуск по лестнице, песочно-жёлтая (w) – ходьба, фиолетовая (n) – состояние покоя.

• Распределение минимального значения магнитуды ускорения при подьёмах/спусках по лестнице не является нормальным.
  Рис.3. Минимальное значение магнитуды вектора ускорения.
  По оси Y – вероятность, по оси X – рассчитанное значение указанной характеристики. Синяя гистограмма (r) – бег, оранжевая (s) – подъём или спуск по лестнице, песочно-жёлтая (w) – ходьба, фиолетовая (n) – состояние покоя.

• Энергия спектра позволяет хорошо отделить состояния стационарности и бега от ходьбы и подьёма/спуска по лестнице. Дисперсия энергии спектра для ходьбы и подьёма/спуска по лестнице является достаточно небольшой при удаленности средних распределений в 20000.
  Рис.4. Энергия спектра горизонтального ускорения.
  По оси Y – вероятность, по оси X – рассчитанное значение указанной характеристики. Синяя гистограмма (r) – бег, оранжевая (s) – подъём или спуск по лестнице, песочно-жёлтая (w) – ходьба, фиолетовая (n) – состояние покоя.

• Дисперсия позволяет с очень высокой вероятностью разделить состояния стационарности от какого-либо движения. При использовании данной характеристики и классификатора типа "Дерево решений" можно значительно сократить число условных переходов по дереву и число ветвлений.
  Рис.5. Дисперсия магнитуды вектора ускорения.
  По оси Y – вероятность, по оси X – рассчитанное значение указанной характеристики. Синяя гистограмма (r) – бег, оранжевая (s) – подъём или спуск по лестнице, песочно-жёлтая (w) – ходьба, фиолетовая (n) – состояние покоя.

В данном алгоритме классификация типа движения производится при помощи деревьев решений, так как они, несмотря на более низкую точность, обладают высокой скоростью работы, использованием небольшого количества памяти и простотой интерпретации результата.

Для тренировки дерева решений использовались предварительно промаркированные данные из банков данных, находящихся в свободном доступе. Перед использованием данные были отфильтрованы, были удалены лишние типы движения, а некоторые стационарные типы, такие как "стояние", "сидение" и "лежание" были объединены в один. Также в один тип были объединены типы движения подъёма и спуска по лестнице. Общее время записи данных составило 23 минуты для ходьбы, 5 минут для бега, 11 минут для подъёмов и спусков по лестнице и 48 минут для состояния покоя.

Матрица ошибок для построенного дерева решений представлена в таблице ниже.

Как видно, классификатор имеет очень высокую точность детектирования состояний покоя (стационарности, куда отнесено сидение, стояние и лежание) и бега. Точность определения ходьбы составляет более 90 %. Наибольшую проблему составляет отделение подъёма/спуска по лестнице от ходьбы. Данная проблема легко решаема при использовании датчика давления, который позволит надёжно отделить эти два состояния. Тогда точность работы всего классификатора в целом приблизится к 100 %.

Lab127 © По всем вопросам обращаться к Мощевикину Алексею Петровичу

Использование материалов сайта без разрешения запрещено!