Известия Саратовского университета. Новая серия.

Серия Математика. Механика. Информатика

ISSN 1816-9791 (Print)
ISSN 2541-9005 (Online)


Для цитирования:

Дорофеев Н. В., Греченева А. В. Алгоритм выделения движений и классификации походки по данным акселерометра мобильного телефона // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. 2023. Т. 23, вып. 4. С. 531-543. DOI: 10.18500/1816-9791-2023-23-4-531-543, EDN: WNESNS

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Опубликована онлайн: 
30.11.2023
Полный текст:
(downloads: 672)
Язык публикации: 
русский
Рубрика: 
Тип статьи: 
Научная статья
УДК: 
004.048
EDN: 
WNESNS

Алгоритм выделения движений и классификации походки по данным акселерометра мобильного телефона

Автор:
Лачинова Дарья Андреевна
Авторы: 
Дорофеев Николай Викторович, Владимирский государственный университет имени А. Г. и Н. Г. Столетовых
Греченева Анастасия Владимировна, Владимирский государственный университет имени А. Г. и Н. Г. Столетовых
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%.

Благодарности: 
Работа выполнена при финансовой поддержкe гранта Президента Российской Федерации (проект № МК-1558.2021.1.6).
Список источников: 
  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 
Поступила в редакцию: 
05.10.2022
Принята к публикации: 
07.04.2023
Опубликована: 
30.11.2023