ピーク補正　チャンピオンデータはとれたので、N数を増やして、どれだけ効果があるか調べました。
１本の滑走中で、４７％のターンでしか効果がでませんでした。

●結果
03-15-11-40の右足ターン１本でのターンデータの統計値をまとめてみました。
１）オフセット補正なので、ばらつきの平均値（HYsa_ave)がゼロに近いほど誤差が少なくなります。
２）波形を上下に平行移動しているだけなので、全体のばらつきは、補正無も補正有も同じです。

３）補正無しより平均値が小さくなった％が60%以下を合格として黄色で埋めてあります。

４）最後の５１番ターンが全滅なので、除外すれば、補正成功率は、12/15=80%程度でてます。

●ピーク補正が効かない原因
①上記のHYsaプロットを番号別にみると　２７番と５１番が特に効果率が悪いので、グラフをみると

A:２７番グラフ

ピーク位置で差がないので、オフセット補正が効かない、誤差波形自体のばらつきを減らさないと改善しない。

B 51番

ラストの停止直前のターンで、スキーの姿勢が通常とは全然違ってしまって、ピーク補正の対象にならないことが判りました。　スキー板の操作の違いで、ピークの一致がみられない場合があるので、その例外処理を別途アルゴリズムを
組まないと、補正の一貫性がえられないことが判りました。

●誤差波形自体の補正が必要

全体の誤差（hjeading角とyaw角の差）を補正無し（水色）と補正有（緑）で波形をみてみると
１５ターン中、初期にピークが発生する場合が、８個、他は全体的に盛り上がっている波形です。
スキー板をもって、傾けてみるとyaw角が１－５度くらい平気でばらつきますので、
roll角（黒）が発生するとyaw角に影響があることは間違いありません。
roll角（黒）の出方でどうなるのか、調べていきます。

●その他
10msec補間が結構上手くいったので、ピーク検出の精度が上がってます。
F9Pの遅い周期を補間できているので、実際の現象を取り逃さないで済むのか
もっと早い角速度の運動で、補間と実際をためしてみます。

●以後

Pythonを素早くいじれるようになることで、解析作業が進みますので、どんどんいじって慣れるようにします。
解析に自動化のために、ここのターンのCSVファイルを自動合体する機能も作成しました。
https://gist.github.com/dj1711572002/d8ef7cf72ee88e120b97a93cca8ee742