segmentace akcelerometru signál

hlasů
4

alt

Mám 1D akcelerometru signál (pouze jedna osa). Chtěl bych vytvořit robustní algoritmus, který by byl schopen rozpoznat některé tvary signálu.

Zpočátku jsem použít klouzavý průměr filtr surové signálu. Na přiloženém obrázku je surový signál v červené barvě a průměrně signál je černá. Jak je patrné z obrázku, některé trendy jsou viditelné z průměrného signálu (černá) - signál obsahuje 10 opakování vrcholu jako vzor, ​​kde zrychlení leze do maxima a pak klesá dolů. Jsem ohlašoval začátky a konce těchto vzorů s křížkem.

Takže mým cílem je, aby se automaticky najít označených míst. Problém tvorby těžba vzor obtížné, jsou:

  • začátek vzoru může mít jinou hodnotu než y konci vzoru
  • vzor může mít více než jeden vrchol
  • Nemám žádné konkrétní informace o čase (od začátku do konce vzoru trvá časových jednotek)

Zkoušel jsem různé přístupy, které jsou do značné míry domácí pivo, tak jsem se jim nezmínil - Nechci, abys byl zaujatý mým způsobem myšlení. Existují některé standardní nebo knih přístupy k dělá tento druh těžby vzorem? Anebo Ví někdo, jak řešit problém v robustním způsobem?

Napadá vás ocení.

Položena 03/12/2010 v 01:04
zdroj uživatelem
V jiných jazycích...                            


2 odpovědí

hlasů
2

Nech si to jednoduché!
Zdá se, že klouzavý průměr je dost dobrý tlumicí zařízení ; udržovat ji tak, jak je, snad jen zvyšování či snižování jejich počtu vzorku, pokud si všimnete, že buď odejde moc hluku nebo odstraňuje příliš signál, resp. Potom pracovat off to v průměru pouze signál.

Vzor značky hledáš jeví jako poměrně snadno odhalit. Vyjádřeno v angličtině, tyto markery jsou:
Cíle = inflexní body v zprůměrované naměřených hodnot křivky, kdy je sklon jde výrazně negativního na pozitivní.
Proto byste měli být schopni rozpoznat tuto situaci porovnáním hodnot svahu, vypočítaných společně s klouzavým průměrem , jak je každá nová hodnota na displeji k dispozici (samozřejmě s krátkým zpožděním, protože samozřejmě svahu v daném okamžiku může být pouze vypočteno když průměrná čtení pro příští [několik] bodu [s] je k dispozici)

Aby nedošlo k falešné detekci, nicméně, že je třeba definovat několik parametrů zaměřených na filtrování nežádoucí vzory . Tyto paremeters bude přesněji definovat význam „ zřetelně “ ve výše uvedené cílové definice.

Pokusně vzorec pro detekci bodu zájmu může být tak jednoduché, jak to
    (-1 * S (t-1) + S t )> Min_delta_Slope
kde
S je směrnice (k tomu) v čase t-1 a t, v tomto pořadí
Min_delta_Slope je parametr definující jak „ostrý“ ke změně sklonu chceme minimálně.
Za předpokladu, že normalizovaný t a jednotky Y, lze nastavit parametr Min_delta_Slope blízko nebo dokonce kolem 1. Intuitivně hodnota 1 (opět v normalizovaných jednotkách), naznačují, že se zaměřujeme body, kde je zakřivená „přišel“ se sestupným sklonem, řekněme 50 % a opustil bod s kladným sklonem 50% (nebo 40% + 60% nebo 10% .. tedy téměř plochá a 90%, tj téměř svislé).
Aby nedošlo k detekci bodů v případě, že je to pouze malý pokles v křivce, můžeme vzít více bodů v úvahu, s chovatele vzorce jako říci

    (PM2 * S (t-2) + PM1 * S (t-1) + P0 * S t + PP1 S (t + 1) )> Min_delta_Slope
kde
PM2, PM1, P0 a PP1 jsou koeficienty dává relativní význam na svahu v různém místě před a po bodu zájmu. (PM2 a PM1 obvykle negativní hodnoty, pokud budeme používat pouze pozitivní parametr a použít vylučující znaky ve vzorci)
S t +/- n je sklon v různé časy
a Min_delta_Slope je parametr definující, jak „ostrý“ změna sklonu chceme na minimum.
Intuitivně, to 4 body vzorec by se vzít v úvahu tvar křivky v bodě dva odečty stavu a dvě čtení za bodem zájmu (kromě s ohledem na bod těsně před a po ní). Vzhledem k tomu, správné hodnoty pro parametry, vzorec by vyžadovalo, aby křivka být neustále přichází „dolů“ po dobu dvou čas řezy, pak stále stoupá v příštích dvou časových řezů, čímž se vyhne označit menší poklesy v křivce.
Alternativní způsob, jak toho dosáhnout, může být pro výpočet sklonu pomocí rozdílu hodnoty Y mezi [průměrná] čtení ze dvou před (nebo více), časové úseky, a že aktuální [průměrně] čtení. Tyto dva přístupy jsou podobné, ale bude produkovat mírně odlišný výsledek; Obecně bychom mít větší slovo v požadovaném tvaru křivky s parametry PM2, PM1, P0 a P1.

Odpovězeno 03/12/2010 v 04:22
zdroj uživatelem

hlasů
2

Možná budete chtít podívat na povodí segmentace, který dělá související takové věci (dělící krajinu do svých jednotlivých povodích). Kupodivu jsem vlastně psát disertační práci, která používá předělem hodně v tuto chvíli (vážně :))

Odpovězeno 03/12/2010 v 01:24
zdroj uživatelem

Cookies help us deliver our services. By using our services, you agree to our use of cookies. Learn more