Исследование размера окна сегментации для задач классификации типа физического упражнения на основе данных с акселерометра и гироскопа смартфона

В статье проведен анализ влияния размера окна сегментации на качество классификации типа физического упражнения на основе данных с акселерометра и гироскопа смартфона. Дается понятие и описание задачи HAR (Human Activity Recognition) и ее уточнение для классификации конкретных видов физических упражнений: приседания, отжимания, прыжки, пресс, выпады. Проведен обзор существующих наборов данных и подходов к решению задач этого класса. Выбрана методика сбора данных для эксперимента, определено место крепления устройства с датчиками. Разработан инструмент (мобильное приложение) для сбора данных с датчиков смартфона, таких как акселерометр и гироскоп. С помощью разработанного инструмента был собран собственный набор данных в контролируемых условиях. Полученные данные были обработаны на основе общих рекомендаций для класса задач HAR (данные приведены к единой частоте, очищены от шумов и разбиты на сегменты). На основе полученных наборов данных были обучены несколько моделей как классического машинного обучения, так и глубоких нейронных сетей с различными параметрами размера окна сегментации данных. Как результат исследования были определены наилучший размер окна сегментации данных, а также модели классического машинного обучения и глубокого, которые лучше всего справились с задачей.

1. Ann O.Ch., Theng L.B. Human Activity Recognition: A Review. In: 2014 IEEE International Conference on Control System, Computing and Engineering (ICCSCE 2014), 28–30 November 2014, Penang, Malaysia. IEEE; 2014. P. 389–393. https://doi.org/10.1109/ICCSCE.2014.7072750

2. Serpush F., Menhaj M.B., Masoumi B., Karasfi B. Wearable Sensor-Based Human Activity Recognition in the Smart Healthcare System. Computational Intelligence and Neuroscience. 2022;2022. https://doi.org/10.1155/2022/1391906

3. Kumar P., Suresh S. FLAAP: An Open Human Activity Recognition (HAR) Dataset for Learning and Finding the Associated Activity Patterns. Procedia Computer Science. 2022;212:64–73. https://doi.org/10.1016/j.procs.2022.10.208

4. Logacjov A., Bach K., Kongsvold A., Bårdstu H.B., Mork P.J. HARTH: A Human Activity Recognition Dataset for Machine Learning. Sensors. 2021;21(23). https://doi.org/10.3390/s21237853

5. Antonsson E.K., Mann R.W. The Frequency Content of Gait. Journal of Biomechanics. 1985;18(1):39–47. https://doi.org/10.1016/0021-9290(85)90043-0

6. Orlova Yu., Gorobtsov A., Sychev O., Rozaliev V., Zubkov A., Donsckaia A. Method for Determining the Dominant Type of Human Breathing Using Motion Capture and Machine Learning. Algorithms. 2023;16(5). https://doi.org/10.3390/a16050249

7. Dhaygude A.D., Varma R.A., Yerpude P., Swarnkar S.K., Jindal R.K., Rabbi F. Deep Learning Approaches for Feature Extraction in Big Data Analytics. In: 2023 10th IEEE Uttar Pradesh Section International Conference on Electrical, Electronics and Computer Engineering (UPCON), 01–03 December 2023, Gautam Buddha Nagar, India. IEEE; 2023. P. 964–969. https://doi.org/10.1109/UPCON59197.2023.10434607

8. Dargie W. Analysis of Time and Frequency Domain Features of Accelerometer Measurements. In: 2009 Proceedings of 18th International Conference on Computer Communications and Networks, 03–06 August 2009, San Francisco, CA, USA. IEEE; 2009. P. 1–6. https://doi.org/10.1109/ICCCN.2009.5235366

9. Avci A., Bosch S., Marin-Perianu M., Marin-Perianu R., Havinga P.J.M. Activity Recognition Using Inertial Sensing for Healthcare, Wellbeing and Sports Applications: A Survey. In: ARCS '10: 23th International Conference on Architecture of Computing Systems: Workshop Proceedings, 22–23 February 2010, Hannover, Germany. VDE Verlag; 2010. P. 167–176.

10. Powers D.M.W. What the F-Measure Doesn't Measure: Features, Flaws, Fallacies and Fixes. arXiv. URL: https://doi.org/10.48550/arXiv.1503.06410 [Accessed 20th March 2025].