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

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

• Activity Recognition from Single Chest-Mounted Accelerometer Data Set

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

• BeaStreamer-v0.1: a new platform for Multi-Sensors Data Acquisition in Wearable Computing Applications

• Human activity recognition from accelerometer data using a wearable device

• Personalization and user verification in wearable systems using biometric walking patterns

• sergeLabo/activity

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.

Basé sur le script Une I.A. en 50 lignes de code.

• main_numpy.py

• main_keras.py

• Algorithme de Savitzky-Golay
• scipy.signal.savgol_filter

Réalisé avec window = 21 polyorder = 3

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

Soit un Rasberry Pi alimenté par batterie 5v USB.

Soit un téléphone avec une application fixé sur la poitrine.

create_clean_smooth_paquets.py

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 est très gros (quelques Giga Octects) et provoque un dépassement de mémoire dans Keras. Un bon compromis est entre 50 et 100.

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

à medium.com/@michaeldelsole/

Le one-hot-encoding est obtenu avec

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

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

• Comment configurer le nombre de couches et de nœuds dans un réseau neuronal
• Keras input explanation: input_shape, units, batch_size, dim, etc

        # 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'))

        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'}               

Les meilleurs

mais aussi les plus mauvais

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

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

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

C'est le fameux projet: Roulez Bourrez