使用 R 和传感器加速度计数据检测跳跃答案

【问题标题】：Using R and Sensor Accelerometer Data to Detect a Jump使用 R 和传感器加速度计数据检测跳跃
【发布时间】：2015-07-03 05:04:35
【问题描述】：

我对传感器数据很着迷。我使用我的 iPhone 和一个名为 SensorLog 的应用程序来捕获当我站立并推动我的腿跳跃时的加速度计数据。

我的目标是使用 R 创建一个模型，该模型可以识别跳跃以及我在空中停留的时间。我不确定如何应对这样的挑战。我有一个带有加速度计数据的时间序列。

https://drive.google.com/file/d/0ByWxsCBUWbqRcGlLVTVnTnZIVVk/view?usp=sharing

一些问题：

如何检测时间序列数据中的跳跃？
如何识别播出时间部分？
如何训练这样的模型？

下面是用来创建上图的R代码，就是我站着做一个简单的跳跃。

谢谢！

# Training set
sample <- read.csv("sample-data.csv")

# Sum gravity
sample$total_gravity <- sqrt(sample$accelerometerAccelerationX^2+sample$accelerometerAccelerationY^2+sample$accelerometerAccelerationZ^2)

# Smooth our total gravity to remove noise
f <- rep(1/4,4)
sample$total_gravity_smooth <- filter(sample$total_gravity, f, sides=2)

# Removes rows with NA from smoothing
sample<-sample[!is.na(sample$total_gravity_smooth),]

#sample$test<-rollmaxr(sample$total_gravity_smooth, 10, fill = NA, align = "right")

# Plot gravity
plot(sample$total_gravity, type="l", col=grey(.2), xlab="Series", ylab="Gravity", main="Accelerometer Gravitational Force")
lines(sample$total_gravity_smooth, col="red")
stdevs <- mean(sample$total_gravity_smooth)+c(-2,-1,+1,+2)*sd(sample$total_gravity_smooth)
abline(h=stdevs)

【问题讨论】：

参考这里的答案。可能有帮助！ stackoverflow.com/questions/31010553/…

标签： r machine-learning time-series accelerometer iot

【解决方案1】：

这可能不是完美的解决方案，但它可能足以让您开始。第一部分依赖于对 gazetools 包中的 find_peaks 函数的小修改。

find_maxima <- function(x, threshold)
{
  ranges <- find_peak_ranges(x, threshold)
  peaks <- NULL
  if (!is.null(ranges)) {
    for (i in 1:nrow(ranges)) {
      rnge <- ranges[i, 1]:ranges[i, 2]
      r <- x[rnge]
      peaks <- c(peaks, rnge[which(r == max(r))])
    }
  }
  peaks
}


find_minima <- function(x, threshold)
{
  ranges <- find_peak_ranges(x, threshold)
  peaks <- NULL
  if (!is.null(ranges)) {
    for (i in 1:nrow(ranges)) {
      rnge <- ranges[i, 1]:ranges[i, 2]
      r <- x[rnge]
      peaks <- c(peaks, rnge[which(r == min(r))])
    }
  }
  peaks
}

为了让 find_maxima 和 find_minima 函数为我们提供我们正在寻找的东西，我们需要进一步平滑 total_gravity 数据：

spline <- smooth.spline(sample$loggingSample, y = sample$total_gravity, df = 30)

注意：我将总重力“归零” (sample$total_gravity <- sample$total_gravity - 1)

接下来，拉出平滑后的 x 和 y 值：

out <- as.data.frame(cbind(spline$x,spline$y))

然后找到我们的局部最大值和最小值

max <- find_maxima(out$y, threshold = 0.4)
min <- find_minima(out$y, threshold = -0.4)

然后绘制数据以确保一切看起来合法：

plot(out$y, type="l", col=grey(.2), xlab="Series", ylab="Gravity", main="Accelerometer Gravitational Force")
lines(out$y, col="red")
stdevs <- mean(out$y)+c(-2,-1,+1,+2)*sd(out$y)
abline(h=stdevs)
abline(v=max[1], col = 'green')
abline(v=max[2], col = 'green')
abline(v=min[1], col = 'blue')

最后，我们可以看到您离开地面多长时间。

print(hangtime <- min[1] - max[1])
[1] 20

您可以降低阈值以获取更多数据点（加速度变化）。

希望这会有所帮助！

【讨论】：

【解决方案2】：

我会考虑一些事情：

通过每 100 毫秒收集一次中值来平滑数据 - iPhone 上的加速度计数据并不完全准确，因此这种方法会有所帮助。
按照@scribbles 的建议识别turningpoints。

在我的 github 存储库中有可用的代码，可以对其进行修改以帮助解决这两个问题。带有一些解释的 PDF 在这里：https://github.com/MonteShaffer/mPowerEI/blob/master/mPowerEI/example/challenge-1a.pdf

具体看一下：

library(devtools);  
install_github("MonteShaffer/mPowerEI", subdir="mPowerEI");
library(mPowerEI);

# data smoothing
?scaleToTimeIncrement

# turning points
?pastecs::turnpoints

【讨论】：