CC BY
18
УДК 004.048
DOI: 10.24412/2071-6168-2023-4-295-303
ИНФОРМАЦИОННАЯ КАРТА ПОХОДКИ ЧЕЛОВЕКА ПО ДАННЫМ МОБИЛЬНОГО
ТЕЛЕФОНА
Н.В. Дорофеев, А.В. Греченева, Р.В. Шарапов
В статье рассматривается вопрос построения информационной карты походки человека на основе предварительной обработки сигналов акселерометра мобильного телефона в телемедицинских системах, а так же в системах биометрической аутентификации. Приводятся результаты исследования влияния различных факторов на обрабатываемые сигналы акселерометра. Полученные результаты исследования указывают на возможность разделения данных о походке по различным группам и дальнейшее наблюдение за изменением параметров внутри каждой группы. Построение персональной информационной карты походки человека с предварительным разделением на категории данных позволит эффективнее применять различные алгоритмы обработки и повысить точность оценки индивидуальных особенностей походки и качество работы всей системы в целом.
Ключевые слова: телемедицинские системы, сигналы, акселерометр, движения, походка, мобильный телефон, носимое устройство, аутентификация, биометрия, персонализированная медицина.
1. Введение. Развитие интеллектуальных информационных технологий открывает новые возможности в различных областях науки и техники. Одними из областей внедрения интеллектуальных технологий являются системы биометрической аутентификации, персонализированная и спортивная медицина, анализирующие движения, походку и другие физиологические показатели человека [1-5]. Важность применения параметров походки в специализированных системах контроля и мониторинга как дополнительных данных не вызывает сомнения. Разработаны различные методы и алгоритмы сбора и извлечения информационных признаков движений и походки человека. Однако, они имеют недостатки, которые на практике снижают качество получаемых результатов. Это приводит к необходимости введения процедур предварительного отбора регистрируемых данных и коррекции алгоритмов сбора и обработки [6-8].
В последнее десятилетие возрос интерес к измерению параметров походки и движений в целом с помощью встроенных датчиков носимых устройств, в частности мобильных телефонов. Большой интерес к носимым устройствам обусловлен их постоянным присутствием около человека, что позволяет собирать биометрическую информацию в реальном/квазиреальном масштабе времени [9-11]. Однако, сбор данных в реальных условиях имеет свои особенности, которые связаны со случайными перемещениями измерительной части относительно необходимых точек измерения, влиянием негативных факторов на результаты измерения [12, 13].
Целью данной работы является оценка индивидуальных значений параметров походки по данным акселерометра мобильного телефона и построение информационной карты походки человека.
2. Изменение походки в данных акселерометра. На рис. 1а изображены идеализированные траектории перемещения трех точек на теле человека при ходьбе по прямой линии, а на рис. 1, б приведен пример изменения значений на одном из выходов трехосевого цифрового акселерометра мобильного телефона, размещенного в переднем кармане штанов, зарегистрированные во время походки (совершения двойного шага). Фиксация значений с акселерометра для построения графика рис. 1, б осуществлялась с частотой 100 Гц. Значение на выходе цифрового акселерометра мобильного телефона измеряется в м/с2.
VW v\)Vb
а б
Рис. 1. Пример измерения походки с помощью мобильного телефона: а - идеализированная траектория перемещения в двумерном пространстве трех точек, размещенных на теле человека при совершении единичного шага; б - пример изменения значений на одном из выходов трехосевого цифрового акселерометра мобильного телефона, размещенного в переднем кармане штанов и зарегистрированных во время походки (совершения двойного шага)
Оценить походку человека и её изменение по данным акселерометра мобильного телефона является не простой задачей. Это связано с тем, что акселерометр мобильного телефона регистрирует не саму походку человека, а свое перемещение (перемещение мобильного телефона, изменение проекции «кажущегося» ускорения свободного падения в самом датчике). В жизненной ситуации мобильный телефон совершает различные перемещения: случайные (находясь в кармане, сумке, руках) и целенаправленные (осознанные) перемещении при движении (походке). Для оценки (выделения) полезных движений и уменьшения шумовой составляющей в данных акселерометра прибегают к различным методам. Подавление высокочастотных шумов (сглаживания) сигналов акселерометра выполняют с помощью оконных функций усреднения, фильтрации на основе Фурье или вейвлет преобразования [14, 15].
Научные работы по оценке параметров походки на основе носимых устройств можно условно разделить на два класса. К одному классу относятся работы направленные на оценку параметров походки при решении задач аутентификации пользователей носимых устройств. К другому классу относятся работы направленные на решение задач персонализированной медицины - оценку здоровья опорно-двигательного аппарата и других функциональных систем организма по отклонению параметров походки от показателей нормы. Не смотря единые методологические подходы, применяемые при сборе биометрических данных о параметрах походки человека, данные направления имеют свои особенности и решают различные задачи.
При аутентификации оценивают соответствие параметрам походки заложенному шаблону (образцу) с учетом некоторых допусков. При этом в работах, направленных на развитие технологии биометрической аутентификации, выделение полезного сигнала акселерометра мобильного телефона в процедуре предварительной обработки выполняется с уверенностью о постоянстве походки отдельного человека. В них рассматривается только текущее влияние внешних факторов (типа дороги, обуви, дополнительной тяжести и т.п.) на походку человека, параметры которой регистрируются акселерометром мобильного телефона. Физиологические изменения, происходящие в организме человека и отражающиеся в мышечном тонусе, осанке и других показателях здоровья, влияющих на походку, не учитываются в полной мере (имеются лишь кратковременные исследования - до нескольких суток). Кроме этого, применяемые «инструменты» предварительной обработки сглаживают сигнал, тем самым убирая в сигнале вместе с шумом локальные особенности, отражающие индивидуальность человека. Усреднение отчетов в плавающем по временному ряду окне снижает качество данных.
Работы в области персонализированной медицины описывают результаты исследований возможности оценивания физиологических изменений в функционировании опорно-двигательного аппарата и организма в целом, а так же возможности оценивания отклонения параметров здоровья от принятой нормы по параметрам походки, измеряемых с помощью носимого устройства. Результаты исследований показывают, что походке человека свойственно изменяться на краткосрочном (сутки) и долгосрочном (месяцы, годы) интервале [16-19]. Имеющиеся результаты исследований научных коллективов в области оценки здоровья человека на основе параметров движений человека ограничиваются отдельными видами заболеваний и нарушений функционирования опорно-двигательного аппарата и нервной системы (например, тремор, после инсультное состояние, травмы и т.п.).
В обоих направлениях в данных акселерометра важно отделять особенности походки человека и её изменение во времени от факторов, которые оказывают влияние на данные акселерометра. Важность этого можно показать на примере рис. 2 и рис. 3, где изображены графики изменения максимального значения функции взаимной корреляции последовательностей измерений акселерометра мобильного телефона, полученных при размещении мобильного телефона в переднем кармане штанов и совершении измерений во время ходьбы по прямой линии (совершении двойного шага) при различных типах штанов и обуви.
О от 2 до 4 от 5 до а
Увеличение ширины штанины относительно половины обхвата бедра, см
Рис. 2. Влияние ширины штанины в верней части на измерения
На рис. 2 изображен график изменения максимального значения функции взаимной корреляции данных с акселерометра, полученных при ходьбе в штанах с различным размером ширины штанины в верхней части. В начальной точке на графике отображается максимальное значение автокорреляционной функции для данных акселерометра, полученных в штанах с шириной штанины в верхней части равной половине обхвата бедра человека. Для других значений графика брались максимальные значения
функции взаимной корреляции данных акселерометра, полученных в штанах с шириной штанины в верхней части равной половине обхвата бедра человека, и данных акселерометра, полученных в штанах с шириной штанины в верхней части большей на 2-4 см и 5-8 см чем половина обхвата бедра человека. В данном случае размер ширины штанины в верхней части определяет степень прилегания в кармане штанов мобильного телефона к телу человека, и соответственно случайные перемещения телефона в кармане во время ходьбы.
0,82
от 0,5 до 1
от 1 до 1,5
от 1,5до 2
от 2 до 5 каблуки высо то й от 3 до 5 см
Толщина подошвы Рис. 3. Влияние толщины подошвы
На рис. 3 изображен график изменения максимального значения функции взаимной корреляции данных с акселерометра, полученных при ходьбе в обуви с различной толщиной подошвы и в штанах с шириной штанины в верхней части равной половине обхвата бедра человека. В начальной точке на графике отображается максимальное значение автокорреляционной функции для данных акселерометра, полученных в штанах с шириной штанины в верхней части равной половине обхвата бедра человека и в обуви с подошвой толщиной 0.5-1 см. Для других значений графика брались максимальные значения функции взаимной корреляции данных акселерометра, полученных в штанах с шириной штанины в верхней части равной половине обхвата бедра человека и в обуви с подошвой толщиной от 0,5 до 1 см, и данных акселерометра, полученных в штанах с шириной штанины в верхней части равной половине обхвата бедра человека и обуви с подошвой толщиной 1-1,5 см, 1-1,5 см, 1,5-2 см, 2-5 см и в обуви с каблуками высотой от 3 до 5 см. В данном случае толщина и тип подошвы обуви оказывает влияние на движения голеностопного сустава, устойчивость и координацию человека, что в итоге изменяет на походку человека.
Как видно из графиков, приведенных на рис. 2 и рис. 3, максимальное значение функции взаимной корреляции может изменяться более чем на 0,3 при смене размеров штанов и размеров подошвы обуви. Отметим, что толщина подошвы обуви вносит изменения в траекторию перемещения частей тела в процессе походки, в то время как размер штанов (плотность прилегания) вносит искажения в данные акселерометра за счет свободных перемещений мобильного телефона в кармане.
В дополнении к этому на рис. 4 изображен график линейного тренда изменения максимального значения функции взаимной корреляции данных акселерометра мобильного телефона, полученных 21 марта 2022 года, и данных акселерометра мобильного телефона, получаемых в последующие дни до 30 декабря 2022 года. Для вычисления функции взаимной корреляции использовались данные в рамках одной серии измерений, предварительно обработанные по следующему алгоритму. За одну серию измерений принимался набор данных с акселерометра мобильного телефона, полученных с частотой дискретизации 100 Гц во время ходьбы по прямой линии в обуви с толщиной подошвы равной 1 см и размещении мобильного телефона в кармане штанов с шириной штанины равной половины обхвата бедра человека. Каждая серия измерений включала в себя от 30 до 50 двойных шагов, совершенных во время ходьбы. На каждый день приходилось от 1 до 3 серий измерений, максимально разнесенных во времени - в частности, измерения проводились в утренние часы, дневные и вечерние. Из каждой серии выбирались данные, отражающие во времени траекторию совершения двойного шага, с наибольшим значением функции взаимной корреляции относительно других данных внутри серии, а так же выбирались данные с наименьшим среднеквадратическим отклонением максимального значения функции взаимной корреляции данных, отражающих во времени траекторию совершения двойного шага, внутри серии:
б5|тахк(согг1к) и Б] б5|тт(з<Р), где 1,],к - номер шага; - серия измерений; - данные с акселерометра в момент совершения 1-го двойного шага; свгг1 - максимальное значение функции взаимной корреляции 1-й временной последовательности с акселерометра с к-й в рамках одной серии; - среднеквадратическое отклонение максимального значения функции взаимной корреляции ]-й временной последовательности с другими временными последовательностями внутри одной серии.
На основе отобранных временных последовательностей, принадлежащих разным сериям измерений, находились максимальные значения функции взаимной корреляции временной последовательности первой серии (полученной 21 марта 2022 года) с последовательностями, отобранными в других сериях. По полученным результатам строился линейный тренд изменения максимального значения функции
взаимной корреляции, представленный на рис. 4. В дополнении к этому определялся линейный тренд изменения значения среднеквадратического отклонения максимальных значений функции взаимной корреляции для отобранных временных последовательностей.
.........ЛинеПныП тренд максимального значения функции взазшноП коррелята!
---ЛинеПныП тренд среднеквадратического сил.'неким максимального значения функции
взаимной корреляции
.....■■■■ Линейный тренд максимального занчения функшш взаимной корреляции для данных
с шшиыальным ореднеквадрашчеснш отклонением - - - ЛзшеАньШ тренд среднеквадратического отклонения максзмального значения функции взаимно!) коррелята! данных с *рмз[мальным среднеквадратнчесзлм 'Нкп.'Ш-Чцп-м_
20-Маг-2022 00:00:00 0Э-Мау-2О22 00:00:00 2в-.Зип-2022 00:00:00 17-Аид-2022 00:00:00 06-0а-2022 00:00:00 25-МО*-2022 00:00:00 14-0аг\-2023 00:00:00
Дата
Рис. 4. Линейный тренд максимального значения функции взаимной корреляции
При проведении исследования с 21 марта 2022 по 30 декабря 2022 года с испытуемыми не происходили случаи травмирования, которые бы внесли существенные изменения в походку человека, что отразилось бы в данных акселерометра. При одинаковых условиях проведения исследования, полученные данные, отраженные на рис. 4, указывают на индивидуальные изменения походки во времени, что согласуется с результатами исследования, описанных в работе [19].
3. Карта походки. Как было показано выше данные акселерометра мобильного устройства, размещенного в переднем кармане штанов, отражают индивидуальную траекторию движения ног во время походки в определенных условиях. Однако, при походке на результаты измерения индивидуальной траектории движения ног с помощью акселерометра мобильного телефона оказывает влияние ширина штанов (степень прилегание мобильного телефона к ноге) в кармане которых располагаемый мобильный телефон совершает свободные перемещения в случае его не плотного прилегания к ноге. Такие особенности получаемых данных с акселерометра мобильного телефона не учитываются на последующих этапах их обработки и анализа, что приводит к снижению качества получаемых результатов [20, 21]. Для устранения этого недостатка предлагается вести раздельное наблюдение данных акселерометра мобильного телефона, получаемых во время ходьбы при различных условиях. Это не противоречит результатам исследований, проведенных другими авторами [22, 23]. В этом случае, движение ног при ходьбе в определенных условиях будет описываться временными, статистическими и частотными параметрами в зависимости от типа обуви и штанов [24]. Так же возможно будет оценивать изменение параметров походки по данным акселерометра мобильного телефона во времени и при воздействии различных факторов. Совокупность движений ног при различных условиях ходьбы отражают индивидуальность человека (его физиологические особенности), при этом каждый тип движения ног (при ходьбе по прямой, подъеме или спуске по лестнице и т.п.) характеризуется своими значениями параметров. Графически это можно изобразить в виде обобщенной структуры, изображенной на рис. 5. Таким образом, набор значений параметров движения ног при различных условиях составляют персональную информационную карту человека, которая необходима для телеметрических систем в области медицины, информационной безопасности и контроля доступа.
В данной работе при составлении и исследовании персональной информационной карты походки человека по данным трехосевого акселерометра мобильного телефона проводилось исследование временных последовательностей значений кажущегося ускорения свободного падения, получаемых с частотой дискретизации 100 Гц, на выходе цифрового трехосевого акселерометра мобильного телефона размещаемого во время ходьбы в переднем кармане штанов с шириной штанины равной половине ширине обхвата бедра (для видов движений 1,3,4,6,7,9, описанных ниже) или размещаемого в руках около уха (для видов движений 2,5,8, описанных ниже). В качестве обуви использовались ботинки с толщиной подошвы от 0.5 до 1 см. В исследовании принимали участие 32 человека мужского и женского пола в возрасте от 16 до 67 лет. В работе оценивались параметры временных последовательностей с акселерометра при следующих видах движений, которые относятся к одним и наиболее распространенных в повседневной жизни:
1 - ходьба;
2 - ходьба во время разговора по телефону;
3 - ходьба с сумкой;
4 - ходьба вверх по лестнице;
5 - ходьба вверх по лестнице во время разговора по телефону;
6 - ходьба вверх по лестнице с сумкой;
7 - ходьба вниз по лестнице;
8 - ходьба вниз по лестнице во время разговора по телефону;
9 - ходьба вниз по лестнице с сумкой.
Индивидуальные
особенности
Движение 1 Движение
Движение 2 /
Персонализм рован на я медицина
Длительность I
Форма
Статистические показатели
/И/ум
Спектр 11]_1_
Форма одежды, обуви
Аутентификация
1> Д
Рис. 5. Обобщенная информационная карта походки
Данные трехосевого акселерометра характеризуют перемещение человека (его походку) в трехмерном пространстве. Данные с каждой компоненты акселерометра и огибающая, получаемая с помощью преобразования Гильберта, оцениваются по следующим параметрам: среднее значение, средне-квадратическое отклонение, частота в спектре, имеющая максимальную амплитуду. Указанные параметры характеризуют походку человека, их значения изменяются со временем. В трехмерном пространстве при многократных измерениях различные значения каждого из параметров образуют облако (область, объем) точек V (рис. 6). Различные виды движений (походки при различных условиях) характеризуются своими областями в трехмерном пространстве. Расстояние г между областями, характеризует отличные виды движений и может использоваться как метрика при различении движений между собой в трехмерном пространстве. При анализе данных акселерометра мобильного телефона, получаемых при ходьбе, расстояние г между областями в трехмерном пространстве, принадлежащих различным людям, характеризует схожесть походки между ними.
Рис. 6. Пример оценки объема движений и расстояний в трехмерном пространстве
В табл. 1 и 2 показаны минимальные и максимальные расстояния между областями, характеризующих разных людей при совершении одного из девяти движений, описанных выше. В табл. 3 указаны объемы областей. За объем области принимался объем эллипсоида, длины полуосей эллипсоида в трехмерном пространстве оценивались с применением метода наименьших квадратов.
299
Таблица 1
Минимальные расстояния между областями по соответствующим параметрам
Движение № Параметр №1 №2 №3 №4 №5 №6 №7 №8 №9
Среднее значение, м/с2 0,4 0,02 0,08 0,09 0,33 0,07 0,05 0,31 0,41
СКО, м/с2 0,16 0,04 0,15 0,12 0,07 0,05 0,1 0,11 0,13
Частота в спектре сигнала, Гц 0,03 0,05 0,09 0,01 0,04 0,08 0,24 0,13 0,12
Среднее значение для огибающей, м/с2 0,16 0,04 0,15 0,11 0,07 0,05 0,12 0,1 0,12
СКО для огибающей, м/с2 0,19 0,03 0,16 0,15 0,13 0,05 0,08 0,12 0,12
Частота в спектре огибающей, Гц 0,12 0,02 0,12 0,07 0,05 0,06 0,13 0,06 0,07
Таблица 2
Максимальные расстояния между областями по соответствующим параметрам _
Движение Параметр №1 №2 №3 №4 №5 №6 №7 №8 №9
Среднее значение, м/с2 0,82 0,12 0,84 0,93 1,57 0,39 0,68 1,53 1,34
СКО, м/с2 0,86 0,15 0,72 0,92 1,03 0,5 0,23 1,07 0,88
Частота в спектре сигнала, Гц 0,17 0,17 0,21 0,21 0,47 0,36 0,48 0,34 0,58
Среднее значение для огибающей, м/с2 0,83 0,17 0,68 0,84 1,02 0,54 0,24 1 0,81
СКО для огибающей, м/с2 0,89 0,11 0,79 1,05 1,03 0,4 0,26 1,23 1
Частота в спектре огибающей, Гц 0,38 0,14 0,37 0,17 0,22 0,18 0,26 0,23 0,27
Таблица 3
Объемы областей по параметрам____
Движение Параметр №1 №2 №3 №4 №5 №6 №7 №8 №9
Среднее значение, (м/с2)3 0,029 10-5 4*10-3 5*10-4 0,34 2*10-4 2*10-4 0,01 0,03
СКО, м/с2 0,017 2*10-5 7*10-3 4*10-4 2*10-5 2*10-5 5*10-4 0,002 0,0018
Частота в спектре сигнала, Гц3 10-4 2*10-4 3*10-3 2*10-5 2*10-4 3*10-4 0,002 0,001 9*10-4
Среднее значение для огибающей, (м/с2)3 0,02 4*10-5 7*10-3 6*10-4 2*10-3 4*10-5 6*10-4 0,002 0,001
СКО для огибающей, (м/с2)3 0,01 2*10-5 5*10-3 3*10-5 14*10-4 2*10-4 10-4 0,002 0,003
Частота в спектре огибающей, Гц3 5*10-4 2*10-6 2*10-3 2*10-4 2*10-5 10-4 10-4 6*10-4 10-4
Из приведенных данных видно, что в основном размеры областей (эллипсоидов) в разы (от 8 до 10000 для минимальных расстояний и от 28 до 70000 для максимальных расстояний) меньше расстояниям между ними. При пятом типе движений, где телефон находится возле уха человека, расстояние между областями соизмеримо с размерами самих областей (отношение расстояния к размеру объема составляет 0,97). Это связано с малой подвижностью головы во время движения и подавлением индивидуальных особенностей походки за счет фиксации мобильного телефона в руке.
Полученные результаты исследования указывают на возможность разделения данных о походке по группам с целью наблюдения за изменением значений параметров внутри каждой группы и дальнейшего выявления причин этих изменений. Разделение данных на подгруппы повышает качество классификации данных соответствующих движениям одного человека, а так же движениям разных людей [12].
4. Заключение. Параметры, предлагаемые использовать в качестве информационной карты походки человека, и оцениваемые по данным акселерометра мобильного телефона, отражают походку человека и полезны при разработке структуры классификатора. Например, применение нейросетевого классификатора построенного по схеме сетей прямого распространения с учетом предложенной информационной карты походки позволяет достичь значения вероятности правильного различения равного 0.95 при тестировании. При этом, сложность оценки изменения походки с помощью акселерометра мобильного телефона в реальных условиях характеризуется степенью проявления мешающих факторов в данных акселерометра. Предлагаемый в статье подход построения информационной карты походки человека опирается на необходимости анализа, предварительно разделенных на категории данных. Введение кластеризации данных на этапе предварительной обработки разделяет данные по «чистоте» в зависимости от условий измерения и упрощает оценку индивидуальных особенностей походки, ее изменение во времени.
Работа выполнена при финансовой поддержке гранта Президента Российской Федерации (проект № МК-1558.2021.1.6).
Список литературы
1. Tang Y., Wang Y., Feg X., Zou Q., Wang Q., Ding J., Shi R.C., Wang X. Diagnostics value of a vision-based intelligent gait analyzer in screening for gait abnormalities // Gait & Posture. 2022. vol. 91. P. 2052011. DOI: 10.1016/j.gaitpost.2021.10.028.
2. Zhao H., Xu H., Wang Z., Wang L., Qiu S., Peng D., Li J., Jiang J. Analosis and evalution of hemiplegic qait based on wearable sensor network // Information Fusion. 2023. vol. 90. P. 382-391. doi: 10.1016/j.inffus.2022.10.003.
3. Maqsood M., Yasmin S., Gilliani S., Aadil F., Mehmood I., Rho S., Yeo S. An autonomous decision-making framework for gait recognition system against adversarial attack using reinforcement learning // ISA Transactions. 2022. P. 1-14. doi: 10.1016/j.isatra.2022.11.016.
4. Udeni J., Faustina H., William S. H. Comparing loose clothing-mounted sensors with body-mounted sensors in the analysis of walking // Sensors. 2022. vol. 22. 6605. doi: 10.3390/s22176605.
5. Аед В.М., Исаков Р.В., Сушкова Л.Т., Аль-Хайдри В.А. Алгоритм построения кардиоинтер-валограммы на основе фонокардиограммы // Радиотехнические и телекоммуникационные системы. 2016. № 2 (22). С. 34-43.
6. Salgueiro A.J.P., Shuchkina Y., Garcia A.G., Rodriguez L.G. Parkinson's disease classification adherence monitoring using smartphone-based gait assessment and deep reinforcement leaning algorithm // Procedia computer science. 2021. Vol. 186. P. 546-554. doi: 10.1016/j.procs.2021.04.175.
7. Alobaidi H., Clarke N., Li F., Alruban A. Real-world smartphone-based gait recognition // Computers & Security. 2022. vol. 113. 102557. P. 1-11. doi: 10.1016/j.cose.2021.102557.
8. Benegui C. A Deep learning approach to subject identification based on walking patterns // Procedia computer science. 2021. vol. 192. P. 642-649. doi: 10.1016/j.procs.2021.08.066.
9. Oguz A., Ertugrul O.F. Human identification based on accelerometer senysors obtained by mobile phone data // Biomedical signal processing and control. 2022. vol. 77. 103847. P. 1-11. doi: 10.1016/j.bspc.2022.103847.
10. Papavasileiou I., Qiao Z., Zhang C., Zhang W., Bi J., Han S. GaitCode: Gait-based continuous authentication using multimodal learning and wearable sensors // Smart Health. 2021. vol. 19. 100162. doi: 10.1016/j.smhl.2020.100162.
11. Kelly M., Jones P., Wuebbles R., Lugade V., Cipriani D., Murray N.G. A novel smartphone application is reliable for repeat administration and comparable to the Tekscan Strideway for spatiotemporal gait // Measurement. 2022. vol. 192. 110882. doi: 10.1016/j.measurement.2022.110882.
12. Grecheneva A.V., Dorofeev N.V. Selection of informative parameters of the performed movements according to the data of the wearable device in biometric authentication // AIP conference proceedings. 2022. vol. 2647. 070007. P. 1-5. doi: 10.1063/5.0104195.
13. Parashar A., Shekhawat R.S., Ding W., Rida I. Intra-class variations with deep learning-based gait analysis: A comprehensive survey of covariates and methods // Neurocomputing. 2022. vol. 505. P. 315-338. doi: 10.1016/j.neucom.2022.07.002.
14. Cola G., Vecchio A., Avvenuti M. Continuous authentication through gait analysis on a wrist-worn device // Pervasive and mobile computoing. 2021. vol. 78. 101483. P. 1-19. doi: 10.1016/j.pmcj.2021.101483.
15. Silsupadol P., Prupetkaew P., Kamnardsiri T., Lugade V. Smartphone-based assessment of gait during straight walking, turning, and walking speed modulation in laboratory and free-living environments // IEEE Journal of biomedical and health informatics. 2020. vol. 24 (4). P. 1-7. doi: 10.1109/JBHI.2019.2930091.
16. Dorofeev N.V., Grecheneva A.V. Extraction of individual gait features in mobile phone accelerometer // Journal of physics: conference series. 2022. vol. 2388. 012042. P. 1-5. doi: 10.1088/17426596/2388/1/012042.
17. Piercoe A., Ignasiak N.K., Eiteman-Pang W.K., Rakovski C., Berardi V. Mobile phone sensors can discern medication-related gait quality changes in Parkinson's patients in the home environment // Computer methods and programs in biomedicine update. 2021. vol. 1. 100028. P. 1-8. doi: 10.1016/j.cmpbup.2021.100028.
18. Olsen S., Rashid U., Allerby C., Brown E., Leyser M., McDonnel G., Alder G., Barbado D., Shaikh N., Lord S., Niazi I.K., Taylor D. Smartphone-based gait and balance accelerometry is sensitive to age and correlates with clinical and kinematic data // Gait & Posture. 2023. vol. 100. P. 57-65. doi: 10.1016/j.gaitpost.2022.11.014.
19. Zhou H., Zhu R., Ung A., Schatz B. Population analysis of mortality risk: predictive models from passive monitors using motion sensors for 100,000 UK Biobank participants // PLOS Digital Health. 2022. P. 122. doi: 10.1371/journal.pdig.0000045.
20. Янишевский И.М., Арлазаров В.В. Обучение сверточной нейронной сети с автоматическим учетом искаженности входных данных // Известия Тульского государственного университета. Технические науки. 2022. Вып. 9. С. 52-56.
21. Ding W., Abdel-Basset M., Hawash H., Moustafa N. Interval type-2 fuzzy temporal convolutional autoencoder for gait-based human identification and authentication // Information science. 2022. vol. 597. P. 144-165. doi: 10.1016/j.ins.2022.03.046.
22. Wang C., Wang Y., Chen Y., Liu H., Liu J. User authentication on mobile devices: approaches, threats and trends // Computer networks. 2020. vol. 170. 107118. P. 1-21.
23. Tandon R., Javid P., Giulio I.D. Mobile phone use is detrimental for gait stability in young adults // Gait & Posture. 2021. vol. 88. P. 37-41. doi: 10.1016/j.gaitpost.2021.05.001.
24. Grecheneva A.V., Dorofeev N.V., Goryachev M.S. Estimation of human biomechanics during registration with a wearable device // Journal of physics: Conference Seriese. 2021. vol. 2096. 012117. P. 1-6. doi: 10.1088/1742-6596/2096/1/012117.
Дорофеев Николай Викторович, д-р техн. наук, доцент, заведующий кафедрой, dorofeevnv@yandex. ru, Россия, Владимир, Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых,
Греченева Анастасия Владимировна, канд. техн. наук, доцент, grechenevaav@yandex.ru, Россия, Владимир, Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых, Россия, Москва, Российский государственный аграрный университет,
Шарапов Руслан Владимирович, канд. техн. наук, доцент, заведующий кафедрой, shara-pov 76@gmail. com, Россия, Владимир, Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых
INFORMATION MAP OF HUMAN GAIT ACCORDING TO MOBILE PHONE DA TA N.V. Dorofeev, A.V. Grecheneva, R.V. Sharapov
The article deals with the issue of building an information map of a person's gait based on preprocessing of mobile phone accelerometer signals in telemedicine systems, as well as in biometric authentication systems. The results of studying the influence of various factors on the processed accelerometer signals are presented. The obtained results of the study indicate the possibility of separating gait data into different groups and further monitoring the change in parameters within each group. Building a personal information map of a person's gait with a preliminary division into data categories will make it possible to more effectively apply various processing algorithms and improve the accuracy of assessing individual gait characteristics and the quality of the entire system as a whole.
Key words: telemedicine systems, signals, accelerometer, movements, gait, mobile phone, wearable device, authentication, biometrics, personalized medicine.
Dorofeev Nikolay Viktorovich, doctor of technical science, docent, head of department, dorofeevnv@yandex. ru, Russia, Vladimir, Vladimir State,
Grecheneva Anastasia Vladimirovna, candidate of technical sciences, docent, gre-chenevaav@yyandex.ru, Russia, Vladimir, Vladimir State University, Russia, Moscow, Russian State Agrarian University,
Sharapov Ruslan Vladimirovich, candidate of technical sciences, docent, head of the department, sharapov76@,gmail.com, Russia, Vladimir, Vladimir State University
