CC BY
12
The results of numerical simulation of the process of acceleration of a spherical body using shaped charges of low power are shown. The change in the value of the stress arising inside the body during its acceleration is shown, as well as the change in the speed of the body under different initial conditions.
Key words: small-sized solid particle, high-speed collision, cumulative generator.
Sinelnikov Eduard Gennadievich, senior researcher, vka@ mil.ru, Russia, Saint-Petersburg, Military Space Academy,
Zhitnyy Mihail Vladimirovich, candidate of technical science, docent, senior researcher, vka@mil.ru, Russia, Saint-Petersburg, Military Space Academy
УДК 004.02
DOI: 10.24412/2071-6168-2021-8-127-134
ИЗМЕРЕНИЕ И АНАЛИЗ ПАРАМЕТРОВ ПОХОДКИ В УСЛОВИЯХ ПЕРЕМЕЩЕНИЯ ИЗМЕРИТЕЛЬНОЙ ЧАСТИ
А.В. Греченева, Н.В. Дорофеев, М.С. Горячев
В данной работе исследовалась возможность оценки параметров походки человека в условиях постоянного перемещения датчика относительно анализируемого объекта. Кроме этого, исследование параметров походки осуществлялось с помощью только одного акселерометрического датчика, расположенного в носимом устройстве - мобильный телефон. В методику исследования были включены основные типы движений, которые совершаются в повседневной жизни человека при ходьбе. Полученные результаты необходимы для персонализированных средств оценки здоровья опорно-двигательного аппарата, а так же для средств биометрической аутентификации пользователей.
Ключевые слова: анализ походки, мобильный телефон, акселерометр.
Развитие интеллектуальных технологий, накопление и обработка разнородных данных позволяют на практике решать новые классы задач во всех областях. В частности, разработка новых подходов к сбору и последующему анализу биометрических данных способствует развитию функционала интеллектуальных систем, например, усовершенствование технологии доступа (идентификации и аутентификации и т.п.) к сервисам, внедрение новых интеллектуальных средств для персонализированной медицины (дистанционная диагностика, «прозрачный» мониторинга здоровья и т.п.) [1, 2, 3]. Существует множество биометрических параметров, а также способов их регистрации и обработки [4, 5, 6, 7, 8]. На данный момент наиболее распространенными средствами регистрации биометрических параметров являются: видео- и фото камеры, микрофоны (внешних и персональных устройств) [9, 10, 11]. Реже используются (менее масштабно) для фиксации биометрических показателей датчики носимых устройств (мобильных устройств, смарт браслетов): сканер отпечатков пальцев, датчики давления и пульса, акселерометры и гироскопы, сенсорные экраны [12]. Анализируемыми биометрическими параметрами являются параметры лица, походки, поведения, сердечно-сосудистой системы, голоса, и другие. При анализе походки у данных способов регистрации есть свои существенные преимущества и недостатки [13-18]. Следует отметить, в оценка параметров походки по данным одного датчика носимого устройства в настоящий время рассматривалась поверхностно. Применяемое в носимых устройствах программное обеспечение позволяет только выделять малое количество движений (ходьба, бег,
способ плавания), а результаты работы отражают малые количественные показатели (количество шагов, скорость) и не привязываются к конкретному человеку для оценки здоровья или аутентификации [19, 20, 21]. Таким образом, определение информативных параметров сигналов датчиков носимого устройства в процессе движений человека является актуальным для построения интеллектуальных алгоритмов в системах биометрической аутентификации и персональной медицины. Получение данных о вариации значений параметров движений у различных пользователей является первичным шагом к получению модели двигательного поведения человека на основе данных акселерометра мобильного телефона.
Целью данной работы является исследование и отбор параметров сигнала акселерометра мобильного телефона для расширения возможностей биометрической аутентификации и персонализированной медицины за счет развития технологий интеллектуального анализа походки по данным мобильного телефона.
Задача оценки параметров походки человека по показаниям одного датчика является не корректной. Это связано с тем, что при движении человек задействует значительное количество мышц, связок и суставов, что приводит к многопараметрической (многомерной) модели движения [22, 23]. Правильно оценить все виды движения на основе одного датчика не возможно, однако такая особенность движений говорит об уникальном поведении (перемещении) одного датчика при совершаемых движениях. Решение задачи оценки параметров на основе данных акселерометра мобильного телефона осложняется постоянным перемещением телефона относительно человека, что накладывает шумовые составляющие в анализируемый сигнал и снижает качество оценки параметров:
местоположение телефона может быть произвольным;
за короткий промежуток времени мобильный телефон может менять свое местоположение, а так же может менять свою ориентацию в пространстве;
отсутствует жесткая фиксация телефона. Даже один человек может носить различную одежду, которая обтягивает и фиксирует телефон по разному;
различные модели телефона имеют различное местоположение акселерометри-ческого датчика на плате
расположение осей акселерометра относительно лицевой поверхности мобильного телефона для разных моделей может отличаться;
различные метрологические характеристики акселерометров; акселерометрический датчик измеряет проекцию ускорения свободного падения, что является недостатком при регистрации движений в специфических условиях.
В ходе исследования привлекалось 32 человека в возрасте от 15 до 67 лет мужского и женского пола, с различными физиологическими особенностями (рост, вес, осанка). Так же в экспериментальную группы были привлечены двое близнецов с одинаковыми физиологическими параметрами и человек, перенесший операцию на коленном суставе. Испытуемые были разделены по 4 человека, таким образом, что бы в каждой группе находились люди с примерно одинаковыми параметрами роста, веса и возраста.
В ходе исследования каждый испытуемый выполнял одни и те же двигательные упражнения в различной форме одежды. Форма одежды менялась от плотных прилегающих штанов до свободных брюк, а в качестве обуви использовались кроссовки, ботинки и туфли (для женского пола) на не высоком каблуке - всего 4 различных сочетания (6 для женского пола).
В экспериментах местоположение телефона было следующее: передний карман штанов, задний карман штанов, возле уха (при разговоре) - всего три различных положения. Совершаемыми движениями были: ходьба, быстрая ходьба, подъем по лестнице, спуск по лестнице. Так же, каждый эксперимент проводился с сумкой на плече, с сумкой на перевес, с сумкой в руке и без нагрузки. В качестве груза выступал ноутбук весом. Общий вес сумки, включая зарядное устройство и компьютерную мышь составил 3.5 кг. Таким образом, с учетом различных условий испытуемые совершали 192 различных
упражнения. Количество повторений каждого упражнения (однотипных движений) составляло от 2000 до 3000. В методику исследования были включены основные движения, которые совершаются в повседневной жизни человека.
В ходе эксперимента обрабатывались данные с датчика акселерометра (сырые данные), вычисление и анализ косвенных величин (углов, ускорений, перемещений и т.п.) не проводился. Анализ косвенных (вычисляемых) величин (углов, скоростей, перемещений и т.п.) не осуществлялся для устранения накопления погрешности при интегрировании, а так же для снижения погрешности при дополнительных вычислениях. В каждом эксперименте выделялся шаблонный сигнал для каждого испытуемого.
Анализ сигналов с датчика акселерометра производился во временной и в частотной области. При этом анализировались по отдельности шаблоны и общие сигналы, зарегистрированные в ходе эксперимента, а так же огибающие шаблона и общего сигнала. Во временной области оценивались следующие показатели: длительность сигнала, среднее значение, среднеквадратическое отклонение, форма огибающей, степень сходства (корреляция). Поскольку в мобильных телефонах использовался трехосевой акселерометр, то анализ данных осуществлялся для каждой оси (компоненте) в отдельности.
Исследование частотного спектра сигналов осуществлялся на базе вейвлет разложения. В качестве материнского вейвлета был выбран В сплайн вейвлет ^р 2-0,5-1, который наиболее точно позволяет воссоздать сигналы датчика акселерометра мобильного телефона при походке (среднее значение коэффициента корреляции 0,95, значение среднего квадратического отклонения 0,03). Для проведения корреляционного анализа осуществлялась нормализация сигналов по времени и амплитуде. Нормализация по времени выполнялась с применением процедуры децимации. Это делалось с целью выравнивания (приведения) длительностей сигналов к времени самого короткого сигнала (упражнения).
Различение лиц вызывает трудности на основе среднего значения сигнала, поскольку разница средних значений сигналов лиц во многих случаях не превышает сотых долей доли (рис. 1). В то же время, в кармане одежды случайные перемещения телефона (изначальное положение и последующие приводят к уменьшению различий (рис. 2). В упражнениях с другим типом одежды различия уменьшаются в 2,6-3 раза. На рисунках показаны результаты следующих видов упражнений, которые выполнялись в легкой одежде и в кроссовках:
ходьба с телефоном в переднем кармане -1; ходьба при разговоре по телефону - 2; ходьба с телефоном в переднем кармане и сумкой - 3; подъем по лестнице с телефоном в переднем кармане - 4; подъем по лестнице во время разговора по телефону - 5; подъем по лестнице с телефоном в переднем кармане и сумкой - 6; спуск по лестнице с телефоном в переднем кармане - 7; спуск по лестнице во время разговора по телефону - 8; спуск по лестнице с телефоном в переднем кармане и сумкой - 9. Анализ разброса среднеквадратического отклонения показывает большую различимость испытуемых (рис. 3) по сравнению различимостью с помощью среднего значения.
Применение среднеквадратического отклонения позволяет различать испытуемых (рис. 1) при совершении некоторых упражнений (в частности обычная ходьба). Однако, на практике оценивать движения только по этому параметру нельзя.
Среднеквадратическое отклонение позволило увидеть некоторые различия даже у близнецов при одинаковых условиях (3 и 4 записи в табл. 1). Следует отметить, что при разговоре по телефону различить испытуемых и их движения достаточно сложно (не возможно). Это связано с уменьшением количества перемещений мобильного телефона -получается что особенности походки «гасятся». Однако, данная особенности при подъеме или спуске по лестнице наоборот может помочь в различении испытуемых (табл. 2).
X ф
X
к
га а. а
>.
о.
О)
0
1
1 Испытуемый
2 Испытуемый
3 Испытуемый
4 Испытуемый
* * * •
Данные акселерометра, м/с2 Рис. 1. Оценка среднего значения сигналов акселерометра у одной из подгрупп для трех компонент
X ф
X
* 6 ПЗ
о.
а- 5 ф
1 Испытуемый
2 Испытуемый
3 Испытуемый
4 Испытуемый
**
2_I
Данные акселерометра, м/с 2 Рис. 1. Оценка среднего значения сигналов акселерометра у одной из подгрупп
для трех компонент
Таблица 1
Среднеквадратическое отклонение при обычной ходьбе у одной __из подгрупп__
Испытуемый Компонента Х Компонента Y Компонента Z
1 3,92 3,88 6,33
2 6,50 5,33 3,53
3 2,12 4,18 2,92
4 2,23 2,02 2,64
X
щ
X £ го
о.
& ■
о. Щ
э
£ «
♦ * ♦
#■ + * *
* *
** + ■*» *•* '
1 Испытуемый
2 Испытуемый
3 Испытуемый
4 Испытуемый
Данные акселерометра, м/с^ Рис. 3. Оценка среднеквадратического отклонения значений сигналов акселерометра у одной из подгрупп для трех компонент
Среднеквадратическое отклонение при подъеме по лестнице
Таблица 2
Испытуемый Компонента Х Компонента Y Компонента Z
1 2,25 3,13 3,11
2 9,94 11,21 5,14
3 2,69 8,99 6,07
4 1,92 4,62 3,11
Наиболее информативным параметров является форма сигнала, а так же спектральный состав. Хотя длительности сигналов и шаблонов в разных экспериментах у разных испытуемых отличаются, приведение их в одной размерности с последующей оценкой значения коэффициента корреляции дает хороший результат. При наихудшем сценарии (в свободной одежде и кроссовках) можно различить не менее 90% движений при пороге значения коэффициента корреляции более 0,8, в хороших условиях (обтягивающая одежда, ботинки) данный процент достигается при пороге в 0,7. Наиболее схожие движения совершаются при подъемах и спусках по лестнице. Такое сравнение выполняется при одинаковой длительности совершаемого упражнения, что в ходе исследования не было зафиксировано. Это означает, что вероятность распознавания движений и испытуемых по индивидуальным шаблонам движений существенно возрастает.
В ходе исследования было установлено, что применение одного акселерометри-ческого датчика мобильного телефона позволяет различать совершаемые движения человека при передвижении в различных условиях (форма одежды, тип дороги и т.п.), а так же различать людей по особенностям движений. Набранный в ходе исследования материал позволит применить нейросетевые технологии для повышения качества различения движений и людей, и внедрить данные наработки как в отдельные устройства (в виде программного обеспечения), так и в информационные системы медицинского, правоохранительного и банковского профиля.
Следует так же отметить, что для повышения качества анализа биометрических данных походки человека по данным носимого устройства необходимо проводить анализ в условиях других, не рассмотренных, факторах, а так же для формирования
131
базы данных привлекать большее число испытуемых с различными физиологическими особенностями и отклонениями в функционировании опорно-двигательного аппарата.
Работа выполнена при финансовой поддержке гранта Президента Российской Федерации № МК-1558.2021.1.6.
Список литературы
1. Lei C., Chuang Y. Privacy protection for telecare medicine information systems with multiple servers using a biometric-based authenticated key agreement scheme // IEEE Access. 2019. V. 7. P. 186480-186490.
2. Mehmood Z., Ghani A., Chen G., Alghamdi A. S. Authentication and secure key management in E-health services: a robust and efficient protocol using biometrics // IEEE Access. 2019. V. 7. P. 113385-113397.
3. Dorofeev N.V., Grecheneva A.V., Buzhinsky V.S. Assessment of human gait parameters base on accelerometer data // Biomedical Engineering. 2021. № 2. C. 11-14.
4. Marcialis G. L., Mastinu P., Roli F. Serial fusion of multi-modal biometric systems // IEEE Workshop on Biometric Measurements and Systems for Security and Medical Applications. 2010. P. 1-7.
5. Subjects Authentication Based on Secret Biometric Patterns Using Wavelet Analysis and Flexible Neural Networks / A.E. Sulavko, D.A. Volkov, S.S. Zhumazhanova, R.V. Borisov // XIV International Scientific-Technical Conference on Actual Problems of Electronics Instrument Engineerin. 2018. P. 218-227.
6. Vandana, Kaur N. A Study of Biometric Identification and Verification System // International Conference on Advance Computing and Innovative Technologies in Engineering (ICACITE). 2021. P. 60-64.
7. Raju S., Udayashankara V. Biometric person authentication: A review // International Conference on Contemporary Computing and Informatics (IC3I). 2014. P. 575-580.
8. Singla S. K., Singh M., Kanwal N. Biometric System - Challenges and Future Trends // 8th International Conference on Computing for Sustainable Global Development (IN-DIACom). 2021. P. 647-651.
9. Крутохвостов Д.С., Хиценко В.Е. Парольная и непрерывная аутентификация по клавиатурному почерку средствами математической статистики // Вопросы кибербез-опасности. 2017. №5 (24). C. 91-99.
10. Сулавко А.Е., Шалина Е.В. Биометрическая аутентификация пользователей информационных систем по клавиатурному почерку на основе иммунных сетевых алгоритмов // Прикладная информатика. 2019. Т. 14. № 3 (81). С. 39-45.
11. Handwriting Biometrics: Applications and Future Trends in e-Security and e-Health / M. Faundez-Zanuy, J. Fierrez, M.A. Ferrer, M. Diaz, R. Tolosana, R. Plamondon // Cognitive Computation. 2020. V. 12(5). P. 940-953.
12. Dorofeev N.V., Grecheneva A.V. The assessment of gait features according to the data of a portable acceleration sensor in an intelligent monitoring system // IOP Conference Series: Materials Science and Engineering. 2020. V. 873(1). 012017. P. 1-7.
13. Analysis of Spatio-Temporal Representations for Robust Footstep Recognition with Deep Residual Neural Networks / O.C. Reyes, R. Vera-Rodriguez, P.J. Scully, K.B. Ozanyan // P. 1-15. doi:10.1109/TPAMI.2018.2799847.
14. Соколова А.И., Конушин А.С. Методы идентификации человека по походке в видео // Труды ИСП РАН. 2019. №1. С. 69-82.
15. Ерохин А.Л., Леднёв С.Н. Методы распознавания жестов на основе данных трехосевых акселерометров Android устройств // Вестник НТУ ХПИ. 2017. №21 (1243). С. 1-4.
16. Распознавание жестов с помощью нейронной сети и применение этого подхода для создания игровых гаджетов нового поколения / А.В. Хельвас, Н.Г. Беляйкина, А.А. Гиля-Зетинов, Д.Д. Черникова, В.М. Шабунин, Е.О. Япрынцев // Труды МФТИ. 2017. №2 (34). С. 1-12.
17. Strengthen user authentication on mobile devices by using user's touch dynamics pattern / P.S. Teh , N. Zhang, S.-Y. Tan, Q. Shi, W.H. Khoh, R. Nawaz // Journal of Ambient Intelligence and Humanized Computing. 2020. V. 11 (10). P. 4019-4039.
18. DeepKey: A Multimodal Biometric Authentication System via Deep Decoding Gaits and Brainwaves / X. Zhang, L. Yao, C. Huang , T. Gu, Z. Yang, Y. Liu // ACM Transactions on Intelligent Systems and Technology. 2020. V. 11(4). 3393619. P. 1-24.
19. Казанцева А.Г., Лавров Д.Н. Распознавание личности по походке на основе wavelet-параметризации показаний акселерометров // Математические структуры и моделирование. 2011. №23. С. 31-37.
20. Chen Y. [et al.] LSTM Networks for Mobile Human Activity Recognition. 2016.
P. 50-53.
21. Reyes-Ortiz Human Activity Recognition on Smartphones using a Multi class Hardware-Friendly Support Vector Machine International Workshop on Ambient Assisted Living IWAAL. 2012. P. 216-223.
22. Скворцов Д.В. Клинический анализ движений. Анализ походки. Иваново: Издательство НПЦ - Стимул, 1996. - 344 с.
23. Сутченков И. А. Информативность биомеханических параметров при патологической ходьбе до и после курса электростимуляции мышц при ходьбе // Российский журнал биомеханики. 1999. №2. С. 1-5.
Греченева Анастасия Владимировна, канд. техн. наук, доцент, gre-chenevaav@yandex.ru, Россия, Владимир, Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых,
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,
Горячев Максим Сергеевич, магистр, maximgoryachev97@yandex.ru, Россия, Владимир, Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых
MEASUREMENT AND ANALYSIS OF GAIT PARAMETERS UNDER CONDITIONS OF
MOVEMENT OF THE MEASURING PART
A.V. Grecheneva, N.V. Dorofeev, M.S. Goryzchev
In this paper, the possibility of estimating the parameters of a person's gait under conditions of constant movement of the sensor relative to the analyzed object was investigated. In addition, the study of gait parameters was carried out using only one accelerometric sensor located in a wearable device-a mobile phone. The research methodology included the main types of movements that are performed in a person's daily life when walking. The obtained results are necessary for personalized means of assessing the health of the musculoskeletal system, as well as for means of biometric authentication of users.
Key words: gait analysis, mobile phone, accelerometer.
Grecheneva Anastasia Vladimirovna, candidate of technical sciences, docent, grechenevaav@yandex.ru, Russia, Vladimir, Vladimir State University,
133
Dorofeev Nikolay Viktorovich, doctor of technical sciences, docent, head of department, dorofeevnv@yandex.ru, Russia, Vladimir, Vladimir State University,
Goryachev Maxim Sergeevich, student, maximgoryachev97@vandex.ru, Russian Federation, Vladimir, Vladimir State University
УДК 621.396
DOI: 10.24412/2071-6168-2021-8-134-139
СТАТИСТИЧЕСКАЯ ОЦЕНКА СТЕПЕНИ ОСВЕДОМЛЕННОСТИ СЛУЖБ РАДИОМОНИТОРИНГА О РАДИОЭЛЕКТРОННОЙ ОБСТАНОВКЕ
П.В. Заика
В статье рассматриваются оценка степени осведомленности о радиоэлектронной обстановке на основе логистической функции.
Ключевые слова: радиомониторинг, осведомленность, поиск, информационные ресурсы.
Стремительное развитие радиоэлектронных средств, обусловленное возрастающей потребностью населения в различных услугах (связи, радиотехническом обеспечении), расширение номенклатуры и повышение качества услуг, ведет к астрономическому росту спроса на радиочастотный спектр и усложнению электромагнитной обстановки. Для осуществления контроля за деятельностью области эффективного использования радиочастотного спектра в Российской Федерации созданы службы радиомониторинга. Основными направлениями их деятельности являются [1-2]:
- измерение параметров электромагнитной обстановки;
- измерение параметров радиоэлектронных средств, влияющих на электромагнитную совместимость и проверка их соответствия разрешениям на эксплуатацию радиоэлектронных средств;
- измерение границ зон уверенного приема в том числе при вводе радиоэлектронных средств в эксплуатацию;
-экспертиза электромагнитной совместимости радиоэлектронных средств в реальной электромагнитной обстановке;
- поиск, радиопеленгование и идентификация источников радиоизлучений и объектов, в интересах которых они функционируют для определения причин и источников радиопомех;
- выявление работы радиоэлектронных средств (РЭС) без разрешений [2].
Решение данных задач предъявляет высокие требования к органам обработки
специальной информации служб радиомониторинга по реализации процессов добывания, сбора, обработки и представления информации объектах и источниках радиомониторинга. Как описано в [3] к основным требованиям относятся: своевременность представления информации потребителям, ее полнота и достоверность.
Полнота обработки информации предполагает своевременную обработку всех собранных данных по состоянию объектов задания от добывающих подразделений.
Достоверность обработки предполагает своевременную и безошибочную обработку данных.
Своевременность обработки предполагает обработку в регламентированные директивные сроки, определяемые временем ее ценности, с заданным качеством достоверностью и полнотой. Опыт ведения радиомониторинга показывает, что выполнение
