Outils pour utilisateurs

Outils du site


activity_recognition_from_accelerometer_data_set

Activity Recognition from Single Chest-Mounted Accelerometer Data Set

Votre mission: Reconnaître l'activité du porteur d'un Accéléromètre.

Cette page fait suite à Detecting Heavy Drinking qui n'avait pas abouti.

Source des datas

Activités

  1. Working at Computer
  2. Standing Up, Walking and Going updown stairs
  3. Standing
  4. Walking
  5. Going UpDown Stairs
  6. Walking and Talking with Someone
  7. Talking while Standing

Documentation

Source sur GitHub

sudo pip3 install numpy matplotlib scipy tensorflow

Sur xubuntu 20.04, pb avec cublas (qui n'est pas là où il faudrait, erreur nvidia), dans le dossier du projet:

export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
python3 main_keras_clean_smooth.py

Installation et matériel requis

Une carte graphique n'est pas nécessaire, au contraire une carte augmente de beaucoup le temps de epochs de keras.

Il faut installer au moins: numpy, matplotlib, scipy, tensorflow

Ce projet a été développé sur Debian 10 Buster Mate, et testé aussi sur Xubuntu 18.04 avec Cuda.

Représentation des datas

Recherche des zones valable en Input de Keras

Quelle est la zone des datas à conserver en Input ?

Définition des bornes avec des sliders

Application d'un filtre: Algorithme de Savitzky-Golay

Comparaison avant et après le filtre

Réalisé avec window = 21 polyorder = 3

Avant le filtre

Après le filtre

Après correction

Activité 1 : Working at Computer

Activité 5: Going UpDown Stairs

Activité 6: Walking and Talking with Someone

Conclusion après analyse des courbes

Une seule personne a fait 15 fois le même parcours avec les mêmes activités, en portant toujours le même accéléromètre.

Apprentissage / Test avec les données nettoyées

Création des fichiers de données

Par exemle, les paquets de 900 array de 3 soit:

[[1012 2047 3089]
[1082 2077 3012]
[1096 2055 3078]
...
900 fois
...]

sont créés en décalant la 1ère valeur de “gliss” tous les paquets, gliss peut varier de 20 à la taille du paquet. Avec gliss, le fichier de datas obtenu peut être très gros (quelques Giga Octects) et provoque un dépassement de mémoire dans Keras. Un bon compromis est entre 50 et 100. On transforme en fait des datas de 5 Mo en des datas de 50 Mo à quelques centaines de Mo.

Apprentissage / Test

Les labels de sortie sont un array de shape=(32100, ) soit
[ 0
5
4
1
2
4
6
…] avec 32100 valeurs.

Il faut ABSOLUMENT les transformer en vecteurs “one-hot”

[ 1 0 0 0 0 0 0]
[ 0 0 0 1 0 0 0]
[ 0 0 0 0 1 0 0]
[ 0 0 0 0 0 0 0]
[ 0 0 1 0 0 0 0]
[ 0 1 0 0 0 0 0]
[ 0 0 0 0 0 0 1]
… jusqu'au 32100 ème

one-hot-encoding

à medium.com/@michaeldelsole/

Le one-hot-encoding est obtenu avec

train_label = utils.to_categorical(data["train_label"], 7)

Build Model

Inspiré de www.tensorflow.org tutorials keras classification build_the_model et

        # Choix du model
        self.model = Sequential()
        # Input layer
        self.model.add(layers.Dense(units=4, input_shape=(self.PAQUET, 3)))
        self.model.add(layers.Flatten())
 
        # Hidden layer
        self.model.add(layers.Dense(64, activation='relu'))
 
        # Output
        self.model.add(layers.Dense(7, activation='softmax'))

Compile Model

        self.model.compile( loss=self.loss,
                            optimizer=self.optimizer,
                            metrics=self.metrics)
 
"loss": 'categorical_crossentropy',  # 'binary_crossentropy' ne va pas
"optimizer": 'adam',  # 'SGD' ne change que peu
"metrics": 'accuracy'}               

Résultats

Les meilleurs

mais aussi les plus mauvais

Conclusion

Les courbes d'une activité à l'autre sont ressemblantes, l'apprentissage ne peut pas pallier à ce fait.

Construction de mon propre capteur

Application Android

Pour Roulez Bourrez: création d'une application Android avec Kivy pour capter une marche de 10 secondes et en déduire l'alcoolémie.

Capture de datas pour l'apprentissage

Des testeurs cobayes seront chargés de picoler, enregister les verres bus et capturer leur marche !

Roulez Bourrez

C'est le fameux projet: Roulez Bourrez

Vision artistique des datas d'apprentissage

Du son et des images avec paquet_to_image.py

sudo pip3 install opencv-python sounddevice

Autres idées

La personne utilise son téléphone normalement, et ne change rien à ces habitudes. Pour créer les datas d'apprentissage, enregistrement en permanence de ACC (en optimisant au max), + un gadget en dehors du téléphone qui permet d'enregistrer le type d'activité.

activity_recognition_from_accelerometer_data_set.txt · Dernière modification: 2020/10/22 20:00 de serge