Accelerometer Data Collection and Preprocessing

Presentation on theme: "Accelerometer Data Collection and Preprocessing"— Presentation transcript:

1 Accelerometer Data Collection and Preprocessing
Spring Semester, 2010

2 Outline Feature Extraction Preprocessing and Segmentation
Z. He et al., “Gesture recognition based on 3D accelerometer for cell phones interaction,” IEEE APCCAS 2008. Preprocessing and Segmentation

3 Previous Studies on Feature Extraction
Vector quantization J. Kela et al. “Accelerometer-based gesture control for a design environment,” Pers. Ubiquit. Comput. (2006) K-means clustering

4 Previous Studies on Feature Extraction (Cont.)
Acceleration, velocity, and position S.-D. Choi et al, “On-Line Handwritten Character Recognition with 3D Accelerometer,” Proc. IEEE ICIA, (2006)

5 Previous Studies on Feature Extraction (Cont.)
Local maximal / minimal points S.-J. Cho et al., “Two-stage Recognition of Raw Acceleration Signals for 3-D Gesture-Understanding Cell Phones,” In 10th Int. Workshop on Frontiers in Handwriting Recognition (2006)

6 Previous Studies on Feature Extraction (Cont.)
통계분석 방법 동작 방향, 크기, 변화량, 축 상관관계 동작특성 제스처 길이, 중력방향 변화, 극점의 수

7 통계분석 방법 가속도 값의 평균 (mean) 가속도 크기의 평균 (mag.) 표준편차 (std.)

8 통계분석 방법 에너지 상관관계

9 동작특성 제스처 길이 (length) 끝점과 시작점의 중력방향 변화 (grav.) 극점의 수 (peak)
인접한 극대점과 극소점간의 차이가 제스쳐 데이터의 최대값과 최소값 차이의 50%가 넘는 점을 극점으로 인식

10 Feature Extraction Compare three feature extraction methods
Discrete Cosine Transform (DCT) Fast Fourier Transform (FFT) Wavelet Packet Decomposition (WPD) with FFT Depend on the application domain (gesture set)

11 Feature Extraction Gesture Set

12 Feature Extraction Gesture Set -Motion-based Gesture Recognition with an Accelerometer, B.S. Thesis

13 Discrete Cosine Transform (DCT)
Feature Extraction Discrete Cosine Transform (DCT) Widely used in image compression Xc(k) is the kth DCT coefficient A data sequence x(n), n=0,…,(N-1)

14 Discrete Cosine Transform (DCT)
Feature Extraction Discrete Cosine Transform (DCT) Select the low-frequency DCT coefficients

15 Fast Fourier Transform (FFT)
Feature Extraction Fast Fourier Transform (FFT)

16 Wavelet Packet Decomposition (WPD) with FFT
Feature Extraction Wavelet Packet Decomposition (WPD) with FFT WPD: Decompose the signals to different frequency range

17 Experimental Results SVM with PW strategy Five-fold cross-validation

18 Experimental Results Confusion Matrix

19 Confusion Matrix (Cont.)
Experimental Results Confusion Matrix (Cont.) Fifth gesture (shake phone with no specific direction once) Sixth gesture (shake phone to the left & back, then to right & back)

20 Preprocessing and Segmentation

21 Preprocessing 평활화(Smoothing) 리샘플링(Resampling) 노이즈 제거 이동평균 이용
일정구간의 대표값만을 사용하여 데이터 크기 감소 Sliding window시 구간의 50%를 겹치게 하여 구간의 평균값을 대표값으로 사용 Time t

22 Preprocessing (Cont.) 양자화(Quantization)
고 정밀도의 센서의 오류를 줄이고 값을 심볼화 하기 위한 데이터 이산화 Uni-width: 데이터의 범위를 동일하게 나눔 Uni-count: 데이터의 분포를 동일하게 나눔 계층적 이산화: 데이터들 간의 유클리드 거리를 기반으로 나눔

23 Segmentation 실시간 인식 시 연속적으로 들어오는 센서 값을 제스처 단위로 분할
Sliding Window를 사용한 제스처 여부 검출 Step 단위로 이동하면서 고정된 크기의 window에 대해 평가 평균 및 최대 변화량을 이용

24 Segmentation (Cont.) 검출 구간 유효성 검사
검출구간: 처음 유효한 구간에서부터 연속으로 유효한 구간의 끝을 찾음 최소 길이 < 검출구간 길이 < 최대 길이 가 되도록 함 제스처의 최소 길이와 최대 길이는 경험적으로 정함

25 Segmentation (Cont.) X O Sliding Window 이동 X O O O O X X Time
세그먼트 된 데이터