Як мені нормалізувати дані датчика акселерометра?

Я працюю з великим набором даних акселерометра, зібраними за допомогою декількох датчиків, які носили багато предметів. На жаль, тут, здається, ніхто не знає технічних характеристик пристроїв, і я не думаю, що вони ніколи не були повторно відкалібровані. У мене не багато інформації про пристрої. Я працюю над магістерською дисертацією, акселерометри були запозичені в іншому університеті і взагалі ситуація була трохи непрозорою. Отже, попередня обробка пристрою на борту? Ніякої підказки.

Що я знаю, це те, що це трихосні акселерометри з частотою дискретизації 20 Гц; цифрові та імовірно MEMS. Мене цікавить невербальна поведінка та жестикуляція, які, за моїми джерелами, в основному повинні виробляти активність в діапазоні 0,3-3,5 Гц.

Нормалізація даних видається цілком необхідною, але я не впевнений, що використовувати. Дуже велика частина даних близька до значень решти (вихідні значення ~ 1000, від тяжкості), але є деякі крайнощі, наприклад, до 8000 в одних журналах, або навіть 29000 в інших. Дивіться зображення нижче . Я думаю, що це робить поганою ідеєю розділити на max або stdev для нормалізації.

Який звичайний підхід у такому випадку? Розділити на медіану? Значення відсотків? Щось ще?

Як побічна проблема, я також не впевнений, чи слід вирізати крайні значення.

Дякую за будь-яку пораду!

Редагувати : Ось сюжет про приблизно 16 хвилин даних (20000 зразків), щоб дати уявлення про те, як типово розподіляються дані.

Сировинні сигнали, які ви показуєте вище, видаються нефільтрованими та некаліброваними. Відповідна фільтрація та калібрування з деяким відхиленням артефакту фактично нормалізують дані. Стандартний підхід із даними акселерометра такий:

1. Фільтр - наприклад, четвертий порядок, нульовий фаз IIR низькочастотного або смугового фільтра
2. Відхилення артефакту - на пороговій основі
3. Метод калібрування - Ферраріс та ін. ( Порядок безпроблемної калібрування в полі тривісних гіроскопів і акселерометрів, F Ferraris, U Grimaldi, M Parvis - Sensors and Actuators, 1995 ) добре працює для цього.

Доцільно виконати відхилення артефакту на даних інерційних датчиків. Я б занепокоєний тим, що ви не знаєте походження даних, і тому ви не можете гарантувати, що датчики були встановлені правильно та послідовно (з точки зору орієнтації та фізичного розміщення) на всіх суб'єктів. Якщо датчики не були встановлені правильно, ви можете отримати багато артефакту в сигналах, оскільки датчик може рухатися відносно сегмента тіла. Так само, якщо датчики були орієнтовані по-різному (у тому, як вони були розміщені) на різні предмети, дані буде складно порівняти між суб'єктами.

Зважаючи на розмір випускників, які ви повідомляєте, вони здаються артефактами. Такі артефакти майже певно перекосують будь-який розрахунок калібрування (хоча їхній ефект зменшиться відповідною фільтрацією), і тому калібрування слід проводити після відкидання артефакту.

Простий поріг може спрацювати для початкової процедури відхилення артефакту, тобто видалити (або замінити NaN) всі зразки вище певного емпіричного порогу. Більш складні методи адаптивно обчислюють цей поріг, використовуючи середнє біг або рухоме вікно.

Залежно від місця розташування датчика, ви також можете скорегувати вплив сили тяжіння на сигнали прискорення, хоча детальне розуміння осей датчика та його позиціонування тут є вирішальним. Метод Мо-Нілсона ( Р. Мо-Нілссен, Новий метод оцінювання рухового контролю в походці в реальних умовах навколишнього середовища. Частина 1: Прилад, Клінічна біомеханіка, Том 13, Випуски 4–5, червень – липень 1998 р., Сторінки 320-327 ) є найбільш часто використовуваним і добре працює для інерційних датчиків, встановлених в нижній частині спини.

Хорошим місцем для початку вивчити дані для розпізнавання жестів було б розбити відфільтровані, калібровані дані на епохи (наприклад, 10s) та обчислити кількість функцій за епоху та пов'язати їх з мітками, які у вас є для даних, я можу ' t не пропонуйте більш конкретних порад, не знаючи більше про набір даних та пов’язані з ними мітки.

Сподіваюсь, це допомагає.