37 lines
1.0 KiB
Plaintext
37 lines
1.0 KiB
Plaintext
daten mal plotten
|
|
|
|
vorverarbeitung:
|
|
low-pass-filter (-60dB at 20hZ)
|
|
windowing (5s sliding at 200ms)
|
|
|
|
segmentation (erstmal weglassen, da daten dafür nicht trainiert. bräuchten trainingsdaten von non-exercise die dann gelabeled sind)
|
|
laufen ist z.b. keine übung! (man läuft ja zwischen übungen durch die gegend)
|
|
|
|
feature computation:
|
|
|
|
1) nehme 5 signale
|
|
x, y, z von acc und gyro
|
|
magnitude sqrt(x^2+y^2+z^2) von acc und gyro
|
|
pca (erste pca) (projektion der x,y,z koordinaten auf den ersten eigenvektor)
|
|
|
|
(das sind jetzt viele achsen mit der annahme, das jeder mensch die Uhr an der gleichen Stelle trägt. vielleicht wäre es besser hier nur die "bekannten" achsen im raum zu nutzen, also x-achse vom acc?! vgl. recofit)
|
|
|
|
2) generiere features für die jeweiligen fenster aus den signalen
|
|
autocorrelation features:
|
|
autocorrelation bins
|
|
|
|
energy features:
|
|
RMS
|
|
power spectrum bin mangnitudes
|
|
|
|
statistical features:
|
|
mean
|
|
standard deviation
|
|
kurtosis
|
|
interquartile range
|
|
|
|
9 (signales) * 7 (num features per window) * 85 (windows) features
|
|
|
|
classification:
|
|
SVM
|