Алгоритм визначення мінімальної частоти дискретизації акселерометра, достатньої для відстеження поступального руху об’єкта вздовж траєкторії, заданої кривою Без’є

Автор(и)

DOI:

https://doi.org/10.26642/ten-2020-1(85)-147-154

Ключові слова:

частота дискретизації, поступальний рух, MEMS акселерометр, крива Безьє, вектор прискорення

Анотація

Інерціальні сенсори використовуються для відстеження рухів людини в різних додатках. Деякі руху можуть бути правильно розпізнані за допомогою інерційних сенсорів, вбудованих у смартфони та «розумні» годинники. Однак, вони не застосовуються у випадках, коли помилки класифікації рухів неприйнятні. У таких випадках інженери і розробники програмно-апаратних засобів мають проектувати, реалізовувати і верифікувати власні вбудовані системи для відстеження руху. Часто весь процес розробки здійснюється «з нуля». При цьому одним із важливих етапів є вибір доцільних апаратних компонентів, у тому числі, акселерометрів, за їх технічними характеристиками серед безлічі моделей пристроїв, доступних на ринку. Частота дискретизації акселерометра впливає на можливість його використання для відстеження рухів певного характеру. У статті запропоновано алгоритм обчислення мінімальної частоти дискретизації, при якій можливо відстежити, як об'єкт рухається по заданій траєкторії, з прийнятною точністю. В основу алгоритму покладено рівняння швидкості і прискорення, математичний апарат кривих Безьє та їх похідних, а також частотний аналіз сигналів. Вихідними даними для алгоритму є набір контрольних точок і часовий інтервал, впродовж якого очікується рух об'єкта траєкторією, заданою контрольними точками. Будується одна крива Безьє або кілька кривих, з'єднаних в одну. Синтезуються сигнали ідеального акселерометра, які відповідають руху заданою траєкторією. Доцільна частота вибирається итеративно. За початкове значення взято число, відоме з літератури як найменш достатнє для відстеження рухів людини. Критерієм вибору частоти є середньоквадратичне відхилення для синтезованого сигналу ідеального акселерометра та сигналу, отриманого при даній частоті дискретизації. Алгоритм успішно верифіковано. Його реалізація підлягає інтеграції у програмно-апаратний комплекс для вивчення та оцінки інерційних сенсорів.

Біографія автора

T. A. Marusenkova, Національний університет «Львівська політехніка»

T.A. Marusenkova

Посилання

El-Gohary, M. (2013), Joint angle tracking with inertial sensors, Ph.D. Thesis of dissertation, Portland State University, Portland, 143 p.

Bulling, A., Blanke, U. and Schiele, B. (2014), «A tutorial on human activity recognition using body-worn inertial sensors», ACM Computing Surveys, No. 46 (3), pp. 1–33.

Ngo, T., Makihara, Y., Nagahara, H., Mukaigawa, Y. and Yagi, Y. (2015), «Similar gait action recognition using an inertial sensor», Pattern Recognition, No. 48 (4), pp. 1289–1301.

Chen, C., Jafari, R. and Kehtarnavaz, N. (2015), «A survey of depth and inertial sensor fusion for human action recognition», Multimedia Tools and Applications, No. 76 (3), pp. 4405–4425.

Filippeschi, A., Schmitz, N., Miezal, M., Bleser, G., Ruffaldi, E. and Stricker, D. (2017), «Survey of motion tracking methods based on inertial sensors: a focus on upper limb human motion», Sensors, No. 17 (6), 1257 p.

Daroogheha, S., Lasky, T. and Ravani, B. (2018), «Position measurement under uncertainty using magnetic field sensing», IEEE Transactions on Magnetics, No. 54 (12), pp. 1–8.

Mourcou, Q., Fleury, A., Franco, C., Klopcic, F. and Vuillerme, N. (2015), «Performance evaluation of smartphone inertial sensors measurement for range of motion», Sensors, No. 15 (9), pp. 23168–23187.

Mao, A., Ma, X., He, Y. and Luo, J. (2017), «Highly portable, sensor-based system for human fall monitoring», Sensors, No. 17 (9), 2096 p.

Fasel, B. (2017), Drift reduction for inertial sensor based orientation and position estimation in the presence of high dynamic variability during competitive skiing and daily-life walking, Ph.D. Thesis, Lausanne, 267 p.

Fasel, B., Spörri, J. and Aminian, K. (2016), «Improving the accuracy of low-cost GNSS by fusion with inertial and magnetic sensors in alpine ski racing», 34th Conference on Biomechanics in Sports, proceedings. Tsukuba, Japan.

Fasel, B., Gilgien, M., Spörri, J. and Aminian, K. (2018), «A new training assessment method for alpine ski racing: estimating center of mass trajectory by fusing inertial sensors with periodically available position anchor points», Frontiers in Physiology, No. 9.

Siirtola, P. (2015), Recognizing human activities based on wearable inertial measurements. Methods and applications, Ph.D. Thesis, Oulu, 98 p.

Aylward, R. (2006), Sensemble: a wireless inertial sensor system for interactive dance and collective motion analysis: Master of Science thesis, Massachusetts Institute of Technology, Cambridge, 256 p.

Tang, Z., Sekine, M., Tamura, T., Tanaka, N., Yoshida, M. and Chen, W. (2015), «Measurement and estimation of 3D orientation using magnetic and inertial sensors», Advanced Biomedical Engineering, No. 4, pp. 135–143.

Gjoreski, H and Gams, M. (2011), «Activity/posture recognition using wearable sensors placed on different body locations», The Fourteenth International Conference on Artificial Intelligence and Soft Computing, Crete.

Gupta, P. and Dallas, T. (2014), «Feature selection and activity recognition system using a single triaxial accelerometer», IEEE Transactions on Biomedical Engineering, No. 61 (6), pp. 1780–1786.

Guiry, J., van de Ven, P., Nelson, J., Warmerdam, L. and Riper, H. (2014), «Activity recognition with smartphone support», Medical Engineering & Physics, No. 36 (6), pp. 670–675.

Liang, Y., Zhou, X., Yu, Z. and Guo, B. (2013), «Energy-efficient motion related activity recognition on mobile devices for pervasive healthcare», Mobile Networks and Applications, No. 19 (3), pp. 303–317.

Yan, Z., Subbaraju, V., Chakraborty, D., Misra, A. and Aberer, K. (2012), «Energy-efficient continuous activity recognition on mobile phones: an activity-adaptive approach», 2012 16th International Symposium on Wearable Computers, Newcastle.

Wu, F., Zhao, H., Zhao, Y. and Zhong, H. (2015), «Development of a wearable-sensor-based fall detection system», International Journal of Telemedicine and Applications, Vol. 2015, pp. 1–11.

Murphy, C. (2017), «Choosing the most suitable MEMS accelerometer for your application –– Part 2», [Online], available at: https://www.analog.com/en/analog-dialogue/articles/choosing-the-most-suitable-mems-accelerometer-for-your-application-part-1.html

Landry, L. (2012), Inertial sensor characterization for inertial navigation and human motion tracking applications, Master's Thesis, Naval Postgraduate School, Monterey, 78 p.

Marusenkova, T.A. (2019), «Imitacijni modeli syntezu shumiv MEMS giroskopiv», Elektronne modeljuvannja, No. 41 (5), pp. 3–17.

Stets, Y. and Marusenkova, T. (2019), «The module for prescribing motion scenarios in hardware-software tools for inertial sensors assessment», Int. Youth Science Forum «LITTERIS ET ARTIBUS», Lviv.

##submission.downloads##

Опубліковано

2020-06-26

Як цитувати

Marusenkova, T. A. (2020). Алгоритм визначення мінімальної частоти дискретизації акселерометра, достатньої для відстеження поступального руху об’єкта вздовж траєкторії, заданої кривою Без’є. Технічна інженерія, (1(85), 147–154. https://doi.org/10.26642/ten-2020-1(85)-147-154

Номер

Розділ

ІНЖЕНЕРІЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ