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.
This article analyzes the effect of the size of the segmentation window on the quality of classification of the type of physical exercise based on data from the accelerometer and gyroscope of a smartphone. The article gives the concept and description of the HAR (Human Activity Recognition) task and its refinement for classifying specific types of physical exercises: squats, push-ups, jumps, abs, lunges. The review of existing data sets and approaches to solving problems of this class is carried out. The method of data collection for the experiment was chosen, and the attachment point of the device with sensors was determined. A tool (mobile application) has been developed to collect data from smartphone sensors such as accelerometer and gyroscope. Using the developed tool, a proprietary data set was collected under controlled conditions. The data obtained was processed based on general recommendations for the HAR class of tasks (data are reduced to a single frequency, noise-free, and segmented). Based on the obtained data sets, several models of both classical machine learning and deep neural networks with different parameters of the data segmentation window size were trained. As a result of the research, the best size of the data segmentation window was determined, as well as the classical machine learning and deep learning models that best performed the task.
The authors declare that there are no conflicts of interest present.