CC BY
32
и сложения, которые могут быть реализованы программно или аппаратно, и выполняются в базисе Хаара-Кресентсона в течение двух микротактов, что существенно повышает быстродействие спектрального анализа случайных процессов
Ключевые слова: спектральное косинусное преобразование, спецпроцессора, теоретико-числовые базисы, анализ Фурье, спектральные корреляции.
Pich V. Ya. The Basic Method of Multispectral Cosine Transform of Fourier Signals
The methods of signal processing are analysed. The mathematical model of multis-pectral cosine transform of signals with the possibility of using different theoretical and numerical bases is studied. The algorithm for calculating the autocorrelation function with the input panel core, that is based on Fourier transform of discrete algorithm. The proposed method is characterized by advanced functionality due to the fact that as the basic functions that are presented in modulo residues, spectrum in the basis of Fourier, Rademacher, Kresentson and others can be respectively calculated. Besides, the implementation of modular operations can be performed on the basis of logical modular matrix multiplication and addition that can be performed in hardware or software and executed in Haar Kresentson's base within 2 micro-acts that significantly increases the speed of spectral analysis of random processes.
Keywords: spectral cosine transform, special processors, number-theoretic bases, Fourier analysis, spectral correlation.
УДК 004.021 Магктрант В.Р. Паращак;
доц. Т.О. Коротеева, канд. техн. наук - НУ '^beiecbm nолiтехнiка"
АЛГОРИТМ КЛАСИФ1КАЦН Ф1ЗИЧНИХ АКТИВНОСТЕЙ ЛЮДИНИ ДЛЯ РЕАЛ1ЗАЦН У МОБЫЬНОМУ ДОДАТКУ
Дослщжено методи визначення фiзичноl активност людини за допомогою смартфону. Серед основних переваг використання смартфошв для контролю повсякденно! активност людини е !х переносимють, практичшсть та невеликий розмiр. Ц пристро! можуть нагромаджувати, обробляти й аналiзувати корисну шформацш з необроблених даних сенсорш, що е зручно у цьому контекстi.
На основi зiбраних даних акселерометра розроблено алгоритм класифжацн, що може бути використаним для створення мобiльного додатку, враховуючи його обмеже-нi ресурси. Оцшку алгоритму проведено за допомогою методiв штучного iнтелекту, де алгоритм спочатку навчаеться, а шзнше тестуеться. Таке тестування здiйснено на осно-вi вiдкритого набору даних прискорення поясу. Отримано алгоритм з точнiстю визначення 86 %, що свщчить про те, що такий алгоритм може бути використаним для створення мобшьного додатку.
Ключовi слова: фiзична актившсть людини, монiторинг, мобшьний телефон, смартфон, класифiкацiя, набiр даних, алгоритм, Weka Workbench, акселерометр, проскоп.
Вступ. Визначення активносп людини за допомогою ceHCopiB, що зна-ходяться поруч з тiлом, стало важливим напрямком дослiджень, спрямованих на створення або вдосконалення iнновaцiйних додатюв, що забезпечують мош-торинг активности Можливiсть запису та розпiзнaвaння шдивщуальних повсяк-денних активностей мае важливе значения для визначення ступеня функщ-онально!' ефективностi та загального ршня aктивностi людини [1].
Один iз нaйбiльш часто використовуваних пiдходiв для мониторингу фь зично1 aктнвностi людини грунтуеться на системах вiдеозaпису. Ц методи не е практичними, потребують величезних пристрош i можуть використовуватись
тiльки в лабораторних умовах, вимагаючи високоточного налаштування i три-валого часу оброблення, а також значного обсягу пам'яп для 1хнього запису [2].
Сенсори руху стали цiкавою альтернативою вщеосистем через !х невели-ю розмiри, низьку вартiсть i можливкть запису сигналiв руху переносними системами. Смартфони нового поколшня обладнаш широким спектром вбудова-них сенсорш, включаючи акселерометри i гiроскопи, ят можуть бути викорис-танi для контролю повсякденно!' активностi людини. Ц пристро!' е практичними i мають невеликий розмiр. Саме тому вони е вдеальною платформою для систем розшзнавання активностi. 1ншими особливостями е можливкть бути переносними, працювати в режим реального часу i використання !'х для довготривало-го мошторингу [3]. Цi пристро!' можуть нагромаджувати, обробляти й аналiзу-вати корисну iнформацiю з необроблених даних сенсорiв [4].
Визначення виду активности як правило, розглядають як задачу класифь кацií. Попередньо розглянутi джерела шформацп показують, що такi форми пе-ресування як ходьба, бк, пiдйом по сходах, а також сидяча, стояча, i лежача по-зи можуть бути визначенi з точнктю вiд 83 % до 95 %, використовуючи прис-корення стегна, нiг чи щиколоток [6]. Тим не менше, дослiдження [5] припус-кае, що стегно i домiнуюче зап'ястя е кращими мкцями для розмiщення акселерометра для визначення видав повсякденно!' дiяльностi в природних умовах. Да-нi акселерометра, зiбранi з домшуючого зап'ястя, краще визначають до за учас-тю верхшх частин тша, а даш акселерометра зi стегна використовуються для визначення рунв, зроблених нижнiми кшщвками. Система розпiзнавання ак-тивностi повинна працювати з даними з рiзних мiсць, що дае змогу користува-чевi носити пристрiй в найбшьш зручному мiсцi для даного контексту [7].
У цш роботi дослвджено алгоритм класифiкацií на основi даних, що зiб-ранi зi смартфону, будучи розмщеним на поясi. Для ощнки алгоритму викорис-тано ввдкритий набiр даних, що мiстить навчальш й тестовi зразки. Використовуючи засоби машинного навчання, алгоритм потрiбно з початку "навчити" на основi анотованих зразк1в, а пiзнiше здшснити його тестування. Внаслiдок мож-на визначити точнкть цього алгоритму i зробити висновки щодо визначення людсько!' активностi, використовуючи данi зi сенсорiв смартфону та прискорен-ня поясу. Основними активностями, що дослiджено в цш роботi е: стояння, ле-жання, ходьба, п1дйом i спуск по сходах.
Отже, основним дослщженням пде!' роботи е ефективнiсть визначення фiзичноí активностi людини на основi даних, що зiбранi зi сенсорiв сматфону, встановленого на поясi людини. Метою дослщження е визначення якосп роз-пiзнавання та використання розробленого алгоритму для розроблення програм-ного засобу для смартфошв.
Матерiали та методи. Як вщомо, визначення виду активносп розглядають як задачу класифшацц. Саме тому за основу дослщження обрано алгоритм класифiкацií. Цей алгоритм грунтуеться на методi порогових значень, що вико-ристовуе заздалепдь визначенi критерií для iдентифiкацií класу. Цей метод е швидким i не потребуе додаткових обчислень для визначення об'ектiв, що е од-нiею з основних переваг для реалiзацií на смартфонi.
Перед виконанням алгоритму данi акселерометра пот^бно роздшити на промiжки послiдовно. Серед розглянутих дослiджень знайдено кшька пiдходiв, що застосовувались залежно вiд того чи потрiбна оброблення даних у реальному чаа, чи ш. Найбiльш часто використовуваним пiдходом е метод розсувних iнтервалiв, де сигнал подшжться на рiвнi промiжки без пробшш. Однак ця схема мае недолш - якщо розмiр iнтервалу встановлюеться довiльно, це може призвести до роздшу даних в "незручному" мiсцi, не захоплюючи "весь цикл" активносп, що перешкоджае визначенню [7]. Ця методика може бути викорис-тана з 50 % перекриттям. У своему дослвдженш Бао використовуе розмiр жер-валу в 256 зразюв (вiдповiдних 5,12 секундам даних) та перекриттям 50 % [5]. Саме такий шдхад обрано для попереднього оброблення даних акселерометра.
Наступним кроком е визначення критерив класифiкацií. Спочатку потрiб-но визначити, до яко1 групи належить активнiсть: динамiчноí (ходьба, шдйом та спуск сходами) чи статично1 (сидiння, лежання, стояння). Найбiльш часто використовуваним методом [2, 5, 8] для розшзнання статичних i динамiчних активностей е аналiз величини вектора сигналу або величини обласп сигналу. Обидвi метрики об'еднують прискорення трьох осей (х(Г), у(1) та z(i)) в одну метрику:
Шсля визначення, чи послiдовнiсть сигналу належить до статично1, чи до динамiчноí групи, щодо статично1 групи, вiдмiннiсть мiж стоянням, сидш-ням i лежанням можна визначити за допомогою кута (в градусах) мiж сигналом акселерометра (х, у, z), коли користувач знаходиться в положенш стояння (вектор g = (хз!апё, ystand, zstand)) i вектором сигналу акселерометра для кожного екземпляра (вектор V = (х, у, z)). Переходи були виявленi за допомогою макси-мальних i мiнiмальних значень амплиуди сигналу, вважаючи переходом сидш-ня-стояння, якщо локальний максимум величини з'являеться перед локальним мiнiмумом та вважаючи переходом стояння-сидшня, якщо локальний мiнiмум з'являеться перед локальним максимумом.
Аналiз сигналiв ходьби проводився в частотнiй областi, оскшьки ця ак-тивнiсть мае циклчний патерн, який може бути легко виявлений за допомогою швидкого перетворення Фур'е (ШПФ). Перед застосуванням цього алгоритму було застосовано високочастотний елштичний 1ГО. фiльтр[1] для видалення пос-тiйноí складово1, яка з'являеться на нульовш частотi, тому важливiсть аналiзу сигналiв ШПФ полягае у виявленш першого пiку частоти в спектр^ пiсля пiку нульово1 частоти. Шк, що нас цiкавить, вiдповiдае частота кротв, тобто к1лькос-тi кротв, зроблених за промiжок часу. Час мiж кожним кроком також можна визначити, коли знайдена тривалкть штервалу. Аналiз проводився тiльки для вертикально1 осi. Вiдповiдно до [9], шк ходьби знаходиться у смузi частот вщ 0,5 до 4 Гц з використанням 7-повздовжньо1 осi.
Розрiзняти ходьбу i ходiння по сходах було нелегко, використовуючи тiльки графiчний аналiз i пошук порогових показнитв. Однак було вiдзначено, велике рiзноманiття пiкiв прискорення при ходьбi по сходах, пор1вняно зi зви-
(1) (2)
чайною ходьбою на рiвнiй площинi. Цей аспект вивчено за допомогою стандартного вдаилення, але вiдмiнностi мiж активностями не були ютотними.
На рис. зображено дiаграму створеного алгоритму класифшацп фiзичноí активностi, проте не представлено роздтення мiж звичайною ходьбою i ходьбою по сходах через недостатньо точнi результати. Аналiзуючи величину вектора сигналу з даних акселерометра, якщо його значення дорiвнювало 10 м/c2, активнiсть була статичною i функцiя кута була використана для визначення рiз-них позицш. Якщо активнiсть була динамiчною, кут бшьше 20 величина вектору сигналу вщ 5 до 20 м/с2 i пiк спектра ШПФ був на промiжку 1-3 Гц, то вва-жаеться, що користувач ходить, а iнакше стався перехщ. Якщо мiнiмум величи-ни вектора сигналу був знайдений перед максимумом, вщбувся перехщ iз стояния до сидшня, iнакше стався перехщ iз сидiння до стояння.
Рис. Блок-схема алгоритму класифжаци фЬичноХ актиеностг людини
Результати. Реалiзацiя та ощнка якостi алгоритму проводились у сере-довищi Weka Workbench. Weka е колекцieю сучасних алгоритмiв машинного навчання для аналiзу даних [8], розроблених в унiверситетi Waikato в Новш Зе-ландп. Ця колекщя з вiдкритим вихiдним кодом охоплюе iнструменти для попе-реднього оброблення даних, класифкацп, регресп, кластеризации правил асощ-ацп та вiзуалiзащí, а також утилгги для оцiнки алгоритму [8].
С рiзнi способи ощнки продуктивностi алгоритму розпiзнавання i найчастiше у лiтературi трапляеться використання матрицi розбiжностей, яку можна розрахувати за допомогою Weka. Випробування проводилось на трьох наборах даних, що мютять данi акселерометра, зiбраного 3i смартфону, будучи розмiщеним на пояс людини. Один набiр даних мютив тiльки функцп часового промiжку, а iншi два як часового, так i частотного промiжку. Найбiльшоí про-дуктивностi досягнуто для набору даних ттьки з функцiями часового промiжку.
Отримана точнкть складала 86,05 % для тестового набору даних iз 2947 зразюв та навчалъного набору даних iз 7352 зразкiв. Вiдповiдну матрицю розбiжностей показано в табл. Зроблено чике розмежування мiж динамiчною та статичною активностями, оскшьки жодна статична активнкть не класифшува-ласъ як динашчна i навпаки. У кожнiй з двох груп дiагоналъ мае високе значения, тобто для кожно' активносп бiлъшiстъ прогнозуванъ були правдивими. Ле-жання - це единий клас, визначений на 100 % правильно.
Табл. Матрица розбiжностей для набору даних
Ходьба Спуск по сходах Пдйом по сходах Сидння Стояння Лежання Класифкащя
0 0 0 0 0 537 Лежання
0 0 0 74 458 0 Стояння
0 0 0 377 114 0 Сидшня
21 76 323 0 0 0 Пщйом по сходах
53 401 17 0 0 0 Спуск по сходах
440 48 8 0 0 0 Ходьба
Обговорення або дискусш. Знайдеш алгоритми-аналоги показали точнкть визначення фiзичноí людсько' активностi вщ 83 % до 95 %, при цъому ви-користовуючи прискорення стегна, ноги, щиколотки чи домшуючого зап'ястя. Отримавши точнiстъ дослiджуваного алгоритму, що становила 86 %, можна стверджувати, що алгоритм показав позитивш резулътати, використовуючи прискорення поясу. Звкно, що використовуючи прискорення зап'ястя, можна отримати значно виражену активнiстъ за рахунок бшьш активного прискорення, проте смартфон зручнiше закрiпити на пояс чи носити у кишеш.
Найкраща точнiстъ, що становила 100 %, була за визначення лежачо' по-зицц людини. Це доказуе те, що для визначення статично!' активносп достатнъо сенсора акселерометра i не потрiбно залучати гiроскоп у процес, що мае пози-тивний вплив на заряд батаре' сматфону. Найбшьш складно було розрiзнити ходьбу ввд пiдйому чи спуску по сходах, оскшьки щ активностi схожi мiж собою i прискорення поясу не чико виражае кожну з них. Iншi дослiджения та-кож вказують на те, що розрiзнення цих активностей е складним, але точнiстъ !'х визначення е бшьшою, нiж у дослiджуваному алгоритм!
Для покращення якостi визначення динамiчних активностей можна залу-чити проскоп, що е також вбудованим у бшьшкть сучасних смартфошв. Цей сенсор реагуе на змiну орiентацií смартфону, що може мати позитивний вплив на розрiзнення спуску чи шдйому по сходах за рахунок нахилу тiла. Тому по-дальшим напрямком дослiджения може бути вплив проскопу на точнiстъ визначення динашчних активностей.
Висновок. До монiторингу фiзичноí активностi людини виявили велику защкавленкть лiкарi, даетологи, фiзiотерапевти, спортсмени i звичайнi люди, якi просто хочуть перевiрити свiй щоденний ршень активности Беручи до уваги те, що бшьшкть людей використовують смартфони у повсякденному житп, можна створити мобшьний додаток для запису повсякденно' активности Такий спосiб е зручним i практичним, проте мае значний вплив на батарею смартфону.
Дослiджений алгоритм з точнктю 86 % може бути реалiзованим на сматфонi, оскшьки бшьшкть зразюв вiн класифiкуе правильно. За рахунок виз-
начених заздалепдь критерш для вдентифшацп активностей, тобто методу по-рогових значень, алгоритм е швидким i не потребуе додаткових обчислень, тобто позитивно впливае на роботу додатку на смартфош, не створюючи зайвого навантаження.
Порiвняно з iншими алгоритмами результат е не найкращим, проте вщ-повiдае умовам розмiщення акселерометра на пояс людини. Потрiбно залучити проскоп у процес розпiзнавання фiзичноí людсько!' активностi та дослiдити його вплив на точнiсть. Деякi алгоритми-аналоги використовують цей сенсор i 1хня точшсть становить близько 90 %, через що можна припустити позитивний вплив тако1 модифiкацií.
Лiтература
1. Karantonis, D.M. Implementation of a real-time human movement classifier using a triaxial accelerometer for ambulatory monitoring (2006 р.) / Karantonis, D.M., Narayanan, M.R., Mathie, M., Lovell, N.H., & Celler, B.G. // IEEE Стандарт з шформацшних технологий та бюмедицини: 10.1109/titb.2005.856864. [Електронний ресурс]. - Доступна з http://ieeexplore.ieee.org/xpl/articleDetails.jsp? arnumber=1573717.
2. Czabke, A. Accelerometer based real-time activity analysis on a microcontroller / Czabke, A., Marsch, S., & Lueth, T.C. // Paper presented at the Pervasive Computing Technologies for Healthcare : матер. V Мiжнар. конф., 23-26 травня 2011 р. - Dublin, Ireland. - С. 40-46.
3. Lopes, A. Semi-supervised learning: predicting activities in Android environment / Lopes, A., Mendes-Moreira, J., & Gama, J. // Семшар про Data Mining у поеднанш з 20-тою европейською конференцieю 3i штучного штелекту, 2012 р. - Montpellier, France.
4. Figo, D. Preprocessing techniques for context recognition from accelerometer data Personal and Ubiquitous Computing / Figo, D., Diniz, P.C., Ferreira, D.R., & Cardoso, J.M.P. // штернет-журнал. - 2010. - Pp. 645-662. [Електронний ресурс]. - Доступний з http://web.tecnico.ulisboa.pt/diogo.ferreira/papers/figo10preprocessing.pdf.
5. Bao, L. Activity recognition from user-annotated acceleration data : шдручник / Bao, L., & Intille, S. - Cambridge, USA - 2004 р. - 1-17 с.
6. Foerster, Friedrich. Correctly assessed by calibrated accelerometers (2000 р.) / Foerster, Friedrich, & Fahrenberg, Jochen // Патент руху та змши позици: 10.3758/bf03200815. [Електронний ресурс]. - Доступний з http://link.springer.com/article/10.3758 %2FBF03200815#page-1.
7. Wilde, A. Activity recognition for motion-aware pervasive systems (2011 р.) : дис. ... 10.06.2011 / A. Wilde; Wilde Adriana Gabriela. - 104 c.
8. Wilde, A. An overview of human activity detection technologies for pervasive systems / Wilde Adriana Gabriela / A. Wilde // Стаття для семшару "Master in informatics" в уйверситет Фрiбург -2010. - Фрiбург, Швейцарш.
9. Ugulino, Wallace. Human Activity Recognition using On-body Sensing (2012) : документ, представлений на роботах III симшшуму бразильського ш-ту веб-наукових дослщжень / Ugulino, Wallace, Velloso, Eduardo, Milidiii, Ruy Luiz, & Fuks, Hugo. [Електронний ресурс]. -Доступний з http://groupware.les.inf.puc-rio.br/public/papers/2012.Ugulino.WebScience.HAR.using. on-body.sensing.pdf.
Паращак В.Р., Коротеева Т.А. Алгоритм классификации физических активностей человека для реализации в мобильном приложении
Исследованы методы определения физической активности человека с помощью смартфона. Среди основных преимуществ использования смартфонов для контроля повседневной активности человека является их переносимость, практичность и небольшой размер. Эти устройства могут накапливать, обрабатывать и анализировать полезную информацию из необработанных данных сенсоров, что есть удобно в данном контексте. На основе собранных данных акселерометра разработан алгоритм классификации, что может быть использован для создания мобильного приложения, учитывая его ограниченные ресурсы. Оценка алгоритма проведена с помощью методов искусственного интеллекта, где алгоритм сначала учится, а позже тестируется. Такое тестирование
осуществлено на основе открытого набора данных ускорения пояса. Получен алгоритм с точностью определения 86 %, что свидетельствует о том, что такой алгоритм может быть использован для создания мобильного приложения.
Ключевые слова: физическая активность человека, мониторинг, мобильный телефон, смартфон, классификация, набор данных, алгоритм, Weka Workbench, акселерометр, гироскоп.
Parashchak V.R., Korotyeyeva TA. Classification Algorithm of the Human Activity Recognition that Can Be Implemented in Mobile Application
The research of the methods of recognizing physical activities using a smartphone is described. The advantage of using smartphones to monitor daily activities is their portability, usability and small size. These devices can collect, process and analyze useful information from raw sensor data. It is useful in this context. We presented the investigation based on collected accelerometer data and implementation of classification algorithm that can be used to create a mobile application. This investigation concerns limited smartphone resources. The algorithm is evaluated using methods of the artificial intelligence where algorithm is initially trained and then is tested. The algorithm is tested based on a public dataset that contains data recorded from Smartphone placed on waist. As result we got the algorithm with accuracy of 86 % and it proves that such algorithm can be used to create a mobile application.
Keywords: human physical activity, mobile, smartphone, classification, dataset algorithm, Weka Workbench, accelerometer, gyroscope.
УДК53.08:681.2.08 Проф. Б.1. Стадник1, д-р техн. наук; доц. В.П. Мотало1, д-р техн. наук; нач. eiddviy А.В. 'Мотало2, канд. техн. наук
ШКАЛИ ВИМ1РЮВАНЬ: ТЕОР1Я, СИСТЕМАТИЗАЦ1Я ТА СФЕРИ ВИКОРИСТАННЯ
Розглянуто та проаналiзовано основш питання теори типш шкал вишрювань. Наведено види властивостей емшричних об'екпв i вщповщш 1м шкали вишрювань. Про-аналiзовано основш критери систематизацн шкал вишрювань: метрична детермшова-шсть, форма отримання емшричних даних i число вщображуваних властивостей емшричних об'ектш. Вибiр та використання то! чи шшо! шкали i, вщповщно, методики ви-мiрювання залежить вiд виду ви^ркшано! величини та способу отримання вимрюваль-но! шформацн, тобто способу порiвняння розмiрiв величин.
Ключовi слова: метрологiя, вишрювання, шкала величини, шкали вимiрювань, шкали найменувань, шкали порядку, шкали штервалш, шкали вiдношень, абсолютнi шкали.
Вступ. Введення у метрологiчну практику Мiжнародного словника з метрологи VIM3 [1], який вiдображаe розвиток поняттево-термшолопчного забезпе-чення метрологií, а також рекомецдацш Шжнародного Комiтету Mip i Ваг щодо становления нових задач метрологií у таких сферах людсько!' дiяльностi, як медицина, торпвля, економiка, промисловiсть, освiта, психолопя, соцiологiя, кваль метрiя тощо [2], ктотно розширюе сферу дослiдження сучасно!' метрологií. На-самперед йдеться про розширене трактування ключового поняття метрологи -"вишрювання" i пов'язаних з ним понять "величина" та "вишрювана величина": • вимiрювання (англ. - measurement) - процес експериментального визначення одного або кiлькох значень величини, як обгрунтовано можуть бути приписат величиш;
1 НУ " Льв1вська полггехнка";
2 ГПУ "Львгвгазвидобування"
