Алгоритм выделения движений и классификации походки по данным акселерометра мобильного телефона

Обложка

Цитировать

Полный текст

Аннотация

В  работе кратко описывается развитие информационно-технических средств с применением биометрических данных, в частности параметров походки человека. Описываются проблемы оценки параметров походки с помощью акселерометра мобильного телефона в реальных условиях. Обосновывается актуальность настоящего исследования в области разработки алгоритмов оценки биометрических показателей походки по данным носимых устройств. Рассматриваются основные подходы к обработке данных акселерометра носимых устройств, указываются основные недостатки и проблемы при повышении качества оценки параметров походки. Описывается алгоритм обработки данных акселерометра мобильного телефона. В предлагаемом алгоритме отбор шаблонов движений при походке в регистрируемых данных осуществляется на основе статистической информации в рамках «плавающего» временного окна (частотная компонента с максимальным вкладом в спектре сигнала акселерометра, длительностью отбираемых  временных сегментов), а также на основе значения коэффициента корреляции, отбираемых временных сегментов. На этапе сегментации данных временное окно для поиска сегментов движений, а также допустимые пороги отбора движений по их длительности изменяются в зависимости от индивидуальных особенностей походки и активности человека. Классификация отобранных сегментов по характеру движений походки осуществляется на основе нейронной сети прямого распространения. В качестве функции активации для скрытых слоев в работе применялся сигмоид, а для выходного слоя — нормализованная экспоненциальная функция. Обучение нейронной сети происходило методом градиентного обратного спуска с кросс-энтропией в качестве критерия оптимизации. За счет отбора сегментов с высоким коэффициентом корреляции классификация данных показывает качество различения движений выше 95%.

Об авторах

Николай Викторович Дорофеев

Владимирский государственный университет имени А. Г. и Н. Г. Столетовых

ORCID iD: 0000-0002-1636-7654
Scopus Author ID: 23982295000
ResearcherId: L-3343-2016
Россия, 600000, г. Владимир, ул. Горького, 87

Анастасия Владимировна Греченева

Владимирский государственный университет имени А. Г. и Н. Г. Столетовых

ORCID iD: 0000-0002-7341-5237
Россия, 600000, г. Владимир, ул. Горького, 87

Список литературы

  1. Sprager S., Juric M. B. Inertial Sensor-Based Gait Recognition: A Review // Sensors. 2015. Vol. 15. P. 22089–22127. https://doi.org/10.3390/s150922089
  2. Connor P., Ross A. Biometric recognition by gait: A survey of modalities and features // Computer Vision and Image Understanding. 2018. Vol. 167. P. 1–27. https://doi.org/10.1016/j.cviu.2018.01.007
  3. Guelta B., Tlemsani R., Chouraqui S., Benouis M. An improved behavioral biometric system based on gait and ECG signals // International Journal of Intelligent Engineering & Systems. 2019. Vol. 12, iss. 6. P. 147–156. https://doi.org/10.22266/ijies2019/1231.14
  4. Ren Y., Chuah M. C. User verification leveraging gait recognition for smartphone enabled mobile healthcare systems // IEEE Transactions on Mobile Computing. 2015. Vol. 14, iss. 9. P. 1961–1974. https://doi.org/10.1109/TMC.2014.2365185
  5. Khabir K. M., Siraj Md. S., Ahmed M., Ahmed M. U. Prediction of gender and age from inertial sensor-based gait dataset // Joint 2019 8th International Conference on Informatics, Electronics & Vision (ICIEV) & 3rd International Conference on Imaging, Vision & Pattern Recognition (IVPR), Eastern Washington University, May 30 – June 4, 2019, pp. 371–376. https://doi.org/10.1109/ICIEV.2019.8858521
  6. Shema-Shiratzaky S., Beer Y., Mor A., Elbaz A. Smartphone-based inertial sensors technology — Validation of a new application to measure spatiotemporal gait metrics // Gait & Posture. 2022. Vol. 93. P. 102–106. https://doi.org/10.1016/j.gaitpost.2022.01.024
  7. Garufov D., Bours P. User authentication based on foot motion // SIViP. 2011. Vol. 5. P. 457–467. https://doi.org/10.1007/s11760-011-0249-1
  8. Reyes O. C., Vera-Rodriguez R., Scully P. J., Ozanyan K. B. Analysis of spatio-temporal representations for robust footstep recognition with deep residual neural networks // IEEE Transaction on Pattern Analysis and Machine Intelligence. 2018. Vol. 4. P. 1–13. https://doi.org/10.1109/TPAMI.2018.2799847
  9. Соколова А. И., Конушин А. С. Методы идентификации человека по походке в видео // Труды института системного программирования РАН. 2019. Т. 31, вып. 1. С. 69–82. https://doi.org/10.15514/ISPRAS-2019-31(1)-5, EDN: PGFXZW
  10. Хельвас А. В., Беляйкина Н. Г., Гиля-Зетинов А. А., Черникова Д. Д., Шабунин В. М., Япрынцев Е. О. Распознавание жестов с помощью нейронной сети и применение этого подхода для создания игровых гаджетов нового поколения // Труды МФТИ. 2017. № 2 (34). C. 1–7. EDN: ZBMXML
  11. Teh P.S., Zhang N., Tan S.-Y., Shi Q., Khoh W.H., Nawaz R. Strengthen user authentication on mobile devices by using user’s touch dynamics pattern // Journal of Ambient Intelligence and Humanized Computing. 2020. Vol. 11, iss. 10. P. 4019–4039. https://doi.org/10.1007/s12652-019-01654-y
  12. Zhang X., Yao L., Huang C., Gu T., Yang Z., Liu Y. DeepKey: A multimodal biometric authentication system via deep decoding gaits and brainwaves // ACM Transactions on Intelligent Systems and Technology. 2020. Vol. 11, iss. 4. Art. 49. https://doi.org/10.1145/3393619
  13. Grecheneva A. V., Dorofeev N. V., Goryachev M. S. Estimation of human biomechanics during registration with a wearable device // Journal of Physics Conference Series. 2021. Vol. 2096, iss. 1. Art. 012117. https://doi.org/10.1088/1742-6596/2096/1/012117
  14. Lu H., Huang J., Saha T., Nachman L. Unobtrusive gait verification for mobile phones // Proceedings of the 2014 ACM International Symposium on Wearable Computers. Seattle, WA, USA, Sept. 13–17, 2014. P. 91–98. https://doi.org/10.1145/2634317.2642868
  15. Oguz A., Ertugrul O. F. Human identification based on accelerometer sensors obtained by mobile phone data // Biomedical Signal Processing and Control. 2022. Vol. 77. Art. 103847. https://doi.org/10.1016/j.bspc.2022.103847
  16. 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. https://doi.org/10.1016/j.gaitpost.2021.05.001
  17. Pierce A., Ignasiak N. K., Eiteman-Pang W. K., Rakovsky C. 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, Art. 100028. https://doi.org/10.1016/j.cmpbup.2021.100028
  18. Lunardini F., Malavolti M., Pedrocchi A. L. G., Borghese N. A., Ferrante S. A mobile app to transparently distinguish single-from dual-task walking for the ecological monitoring of age-related changes in daily-life gait // Gait & Posture. 2021. Vol. 86. P. 27–32. https://doi.org/10.1016/j.gaitpost.2021.02.028

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).