¿Cómo debo normalizar los datos de mi sensor de aceleración?

Question

Estoy trabajando con un gran conjunto de datos de acelerómetros recogidos con múltiples sensores llevados por muchos sujetos. Desgraciadamente, nadie aquí parece conocer las especificaciones técnicas de los dispositivos y no creo que se hayan recalibrado nunca. No tengo mucha información sobre los dispositivos. Estoy trabajando en mi tesis de maestría, los acelerómetros fueron prestados por otra universidad y en conjunto la situación fue un poco intransparente. Entonces, ¿el preprocesamiento a bordo del dispositivo? Ni idea.

Lo que sí sé es que son acelerómetros triaxiales con una frecuencia de muestreo de 20Hz; digitales y presumiblemente MEMS. Me interesa el comportamiento no verbal y la gesticulación, que según mis fuentes debería producir principalmente actividad en el rango de 0,3-3,5Hz.

Normalizar los datos parecen bastante necesarios, pero no estoy seguro de qué utilizar. Una gran parte de los datos está cerca de los valores del resto (valores brutos de ~1000, de la gravedad), pero hay algunos extremos como hasta 8000 en algunos registros, o incluso 29000 en otros. Vea la siguiente imagen . Creo que esto hace que sea una mala idea dividir por el max o stdev para normalizar.

¿Cuál es el enfoque habitual en un caso como éste? ¿Dividir por la mediana? ¿Un valor percentil? ¿Otra cosa?

Como cuestión secundaria, tampoco estoy seguro de si debo recortar los valores extremos..

Gracias por cualquier consejo.

Editar : Aquí hay un gráfico de unos 16 minutos de datos (20000 muestras), para que te hagas una idea de cómo se distribuyen normalmente los datos.

Answer 1

Las señales brutas que muestra arriba parecen estar sin filtrar y sin calibrar. Apropiado filtrado y calibración con algunos rechazo de artefactos normalizará los datos. El enfoque estándar con los datos del acelerómetro es el siguiente:

1. Filtro - por ejemplo, filtro pasabajos o pasabanda IIR de 4º orden y fase cero
2. Rechazo de artefactos - basado en el umbral
3. Calibrar - Método de Ferraris et al ( Procedimiento para la calibración en campo sin esfuerzo calibración de giroscopios y acelerómetros de tres ejes, F Ferraris U Grimaldi, M Parvis - Sensores y Actuadores, 1995 ) funciona bien bien para esto.

Es aconsejable realizar el rechazo de artefactos en los datos del sensor inercial. Me preocuparía que no se conozca la procedencia de los datos, por lo que no se puede garantizar que los sensores estuvieran colocados correctamente y sistemáticamente (en términos de orientación y colocación física) a todos los sujetos. Si los sensores no se colocaron correctamente, se pueden obtener muchos artefactos en las señales, ya que el sensor puede moverse en relación con el segmento del cuerpo. Del mismo modo, si los sensores estaban orientados de forma diferente (en cuanto a su colocación) en distintos sujetos, los datos serán difíciles de comparar entre ellos.

Dado el tamaño de los valores atípicos que reportas, parece probable que sean artefactos. Dichos artefactos podrían sesgar cualquier cálculo de calibración (aunque su efecto se reduciría con un filtrado adecuado), por lo que debería realizarse una calibración después de rechazo de artefactos.

Un umbral simple puede funcionar bien para una rutina inicial de rechazo de artefactos, es decir, eliminar (o reemplazar con NaN ) todas las muestras por encima de un determinado umbral empírico. Las técnicas más sofisticadas calcularán este umbral de forma adaptativa utilizando una media móvil o una ventana móvil.

Dependiendo de la ubicación del sensor, es posible que también se quiera corregir la influencia de la gravedad en las señales de aceleración, aunque para ello es fundamental conocer en detalle los ejes del sensor y su posicionamiento. El método de Moe-Nillson ( R. Moe-Nilssen, Un nuevo método para evaluar el control motor de la marcha en condiciones ambientales reales. Part 1: The instrument, Clinical Biomechanics, Volume 13, Issues 4-5, June-July 1998, Pages 320-327 ) es el más utilizado y funciona bien para los sensores inerciales montados en la parte inferior de la espalda.

Un buen punto de partida para examinar los datos para el reconocimiento de gestos sería dividir los datos filtrados y calibrados en épocas (por ejemplo, 10s) y calcular un número de características por época y relacionarlas con las etiquetas que tienes para los datos, no puedo ofrecer un consejo más específico sin saber más sobre el conjunto de datos y las etiquetas asociadas.

Espero que esto ayude.