66 lines
1.7 KiB
Plaintext
66 lines
1.7 KiB
Plaintext
daten mal plotten
|
|
|
|
vorverarbeitung:
|
|
low-pass-filter (-60dB at 20hZ)
|
|
windowing (5s sliding at 200ms)
|
|
Hinweis: die ersten 4 - 5 samples sind schon ziemlich mistig. kommen ganz gruselige werte.
|
|
|
|
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. jedes signal window wird in 5 frequenz bins unterteilt und von diesen der mean berechnet. wäre es nicht besser, für einen sensor feste bins für alle klassen zu haben? braucht aber wohl mehr bins, sonst ist der bereich zu klein?
|
|
|
|
energy features:
|
|
RMS
|
|
power spectrum (|fft|^2). features über logarithmisch überlappende vierrecksfilter, da dreieicksfilter hier keinen sinn ergeben, oder? Wie bei Audio noch eine DCT auf die Ergebnisse des Dreiecksfilters um unwichtige rauszuwerfen?
|
|
|
|
statistical features:
|
|
mean
|
|
standard deviation
|
|
kurtosis
|
|
interquartile range
|
|
|
|
9 (signales) * 7 (num features per window) * 85 (windows) features
|
|
|
|
classification:
|
|
SVM
|
|
|
|
|
|
|
|
Abschluss-Dokument:
|
|
|
|
- was geht
|
|
- was hat nicht funktioniert?
|
|
|
|
Training:
|
|
one leave out.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|