Come devo normalizzare i dati del mio sensore accelerometro?

Sto lavorando con un ampio set di dati dell'accelerometro raccolti con più sensori indossati da molti soggetti. Sfortunatamente, nessuno qui sembra conoscere le specifiche tecniche dei dispositivi e non credo che siano mai stati ricalibrati. Non ho molte informazioni sui dispositivi. Sto lavorando alla tesi del mio maestro, gli accelerometri sono stati presi in prestito da un'altra università e nel complesso la situazione era un po 'intransparente. Quindi, preelaborare a bordo il dispositivo? Nessun indizio.

Quello che so è che sono accelerometri triassiali con una frequenza di campionamento di 20Hz; MEMS digitali e presumibilmente. Sono interessato a comportamenti e gesti non verbali, che secondo le mie fonti dovrebbero principalmente produrre attività nell'intervallo 0,3-3,5Hz.

La normalizzazione dei dati sembra abbastanza necessaria, ma non sono sicuro di cosa usare. Una parte molto grande dei dati è vicina ai valori restanti (valori grezzi di ~ 1000, dalla gravità), ma ci sono alcuni estremi come fino a 8000 in alcuni registri o addirittura 29000 in altri. Vedi l'immagine sotto . Penso che sia una cattiva idea dividere per max o stdev per normalizzare.

Qual è il solito approccio in un caso come questo? Dividi per la mediana? Un valore percentile? Qualcos'altro?

Come problema secondario, non sono nemmeno sicuro di dover tagliare i valori estremi.

Grazie per qualsiasi consiglio!

Modifica : ecco un diagramma di circa 16 minuti di dati (20000 campioni), per darti un'idea di come i dati sono generalmente distribuiti.

I segnali grezzi che mostri sopra sembrano non filtrati e non calibrati. Filtraggio e calibrazione appropriati , con un certo rifiuto del manufatto , in effetti normalizzeranno i dati. L'approccio standard con i dati dell'accelerometro è il seguente:

1. Filtro - ad es. 4 ° ordine, filtro passa-basso IIR fase zero o filtro passa-banda
2. Rifiuto del manufatto - basato sulla soglia
3. Calibrate - Il metodo Ferraris et al ( Procedura per la calibrazione sul campo senza sforzo di giroscopi e accelerometri a tre assi, F Ferraris, U Grimaldi, M Parvis - Sensors and Actuators, 1995 ) funziona bene per questo.

Si consiglia di eseguire il rifiuto artefatto sui dati del sensore inerziale. Sarei preoccupato che tu non conosca la provenienza dei dati e quindi non puoi garantire che i sensori siano stati fissati correttamente e coerentemente (in termini di orientamento e posizionamento fisico) su tutti i soggetti. Se i sensori non sono stati fissati correttamente, è possibile ottenere molti artefatti nei segnali, poiché il sensore può spostarsi rispetto al segmento del corpo. Allo stesso modo, se i sensori fossero orientati diversamente (nel modo in cui erano posizionati) su soggetti diversi, i dati sarebbero difficili da confrontare tra i soggetti.

Date le dimensioni degli outlier che segnalate, sembrano essere artefatti. Tali artefatti avrebbero quasi sicuramente distorto qualsiasi calcolo di calibrazione (anche se il loro effetto sarà attenuato da un filtraggio appropriato) e quindi la calibrazione dovrebbe essere eseguita dopo il rifiuto degli artefatti.

Una semplice soglia può funzionare bene per una routine iniziale di rifiuto del manufatto, cioè rimuovere (o sostituire con NaN) tutti i campioni al di sopra di una certa soglia empirica. Tecniche più sofisticate calcoleranno in modo adattivo questa soglia usando una media mobile o una finestra mobile.

A seconda della posizione del sensore, potresti anche voler correggere l'influenza della gravità sui segnali di accelerazione, anche se qui la comprensione dettagliata degli assi e del posizionamento del sensore è cruciale. Il metodo Moe-Nillson ( R. Moe-Nilssen, Un nuovo metodo per valutare il controllo motorio in andatura in condizioni ambientali di vita reale. Parte 1: Lo strumento, Biomeccanica clinica, Volume 13, Numeri 4–5, giugno-luglio 1998, Pagine 320-327 ) è il più comunemente usato e funziona bene con sensori inerziali montati nella parte bassa della schiena.

Un buon punto di partenza per esaminare i dati per il riconoscimento dei gesti sarebbe quello di suddividere i dati filtrati e calibrati in epoche (ad esempio 10s) e calcolare un numero di caratteristiche per epoca e metterle in relazione con le etichette che hai per i dati, posso ' offrire consigli più specifici senza conoscere meglio il set di dati e le etichette associate.

Spero che sia di aiuto.