IMUを機械学習させる実験で、
現在の特徴量は、ＩＭＵのGravityAccx,y,zの3個だけで静止の場合は１００％正答率がでます。
しかし、振ったりして動かすと、５０％近くまで落ちてしまうので、賢くない機械学習になってしまいました。
静止状態の姿勢なら、正解率１００％近くで判別できるのですが、動かすと、５０－６０％まで正解率が落ちるという結果です。
これでは、ちっとも賢くないので、feature（特徴量）をどうすべきか、IMUを使った事例を調べたら下記論文にあたりました。
●スマホＩＭＵで人間の行動を識別する研究論文
Multi-stage activity intereface for locomotion and transportation analytics
of mobile users
２０１８年１０月の奈良先端科学大学院大学の研究でした。
人の行動で、静止、歩行、ラン、自転車、自動車、バス、列車、地下鉄
を区別する機械学習のテーマです。センサは、９軸ＩＭＵの６種出力と気圧センサの７種類の生データを特徴量に処理して、機械学習アルゴリズムを３種類で評価した論文です。
ここで使っている特徴量を参考にさせていただきました。
時間軸系の統計値 Max, Min, Mean ,Standard deviation ,Interquartile range ,Kurtosis,Variance の７個です。
●やり方
１：トレーニング（機械学習モデルを作る）
①データ測定：IMUからLinearAccx,y,zを３クラス（３方向の往復動作）の動作をしてサンプリングして imu.csv ファイルに保存して次に渡す。
②特徴量作成：統計計算して７個のパラメータを特徴量として行列を作って、 stat_darrs.csv ファイルで保存して次に渡す。
③機械学習モデル作成：scikit-learnのSVCでfitさせて、機械学習データファイル model.savを保存
２：テスト（実際にIMUを振って機械学習させた結果と合っているかテスト）
①試行：MUを任意の方向へ振ってサンプリングしたデータを imu.csv ファイルに保存して次に渡す。
②特徴量作成：統計計算して７個のパラメータを特徴量として行列を作って、 stat_darrs.csv ファイルで保存して次に渡す。
③予測：predictへ特徴量を渡して、予測結果を得る。クラス番号がでるので、どの方向に振ったかあたっているかテストする
●統計量７個での結果
https://gist.github.com/dj1711572002/53d9e6105f29c2a6604cc49320a07daa
特徴量が２１個もあるので、自動でグラフが書けないので、自分でＥｘｃｅｌでとトレーニングデータのグラフを書いてみました。
３本のクラス（１がX軸方向振り、２がY軸方向振り、３がZ軸方向振り）で区別が一番つきやすいのは、分散のvar_x.var_y,var_zでした。標準偏差stdの2乗なので値が大きく差が見からです。
この21個の特徴量でのトレーニングデータを機械学習した結果は、正答率１００％のテスト結果でOKでした。
●分散に絞ったプログラムにして、グラフをだした結果
https://gist.github.com/dj1711572002/3a254e362e5e589c1089a007a3bb565a
①トレーニング
分散1個のデータなので、点が真ん中にあるだけで、アルゴリズムが適当に境界線を引いてくれます。人力ではなかなかできないです。
この学習MODELでテストをすると上記21個特徴量と同様に正答率１００％でしたので、分散が一番強い特徴量だとわかりました。
②テスト結果 １，２，３と振った方向で判別して正答を返してくれました。
| ———————-statics(gn,chn): END—————————— df= gnum var_X var_y var_z 0 1.0 92.639563 5.531745 8.346046 df1= var_X var_y var_z 0 92.639563 5.531745 8.346046 darr1=[[92.6395631 5.53174481 8.3460459 ]] tdarrs=[0. 0. 0. 0.] tdarrstr=[‘0.0’ ‘0.0’ ‘0.0’ ‘0.0’] =================Test Input MODE================ ********************This gesture is No. [‘1.0’]———————-statics(gn,chn): END—————————— df= gnum var_X var_y var_z 0 1.0 1.545021 68.447783 1.864353 df1= var_X var_y var_z 0 1.545021 68.447783 1.864353 darr1=[[ 1.54502054 68.44778285 1.86435261]] tdarrs=[0. 0. 0. 0.] tdarrstr=[‘0.0’ ‘0.0’ ‘0.0’ ‘0.0’] =================Test Input MODE================ ********************This gesture is No. [‘2.0’]———————-statics(gn,chn): END—————————— df= gnum var_X var_y var_z 0 1.0 5.167056 1.952147 132.17658 df1= var_X var_y var_z 0 5.167056 1.952147 132.17658 darr1=[[ 5.16705581 1.95214712 132.17658031]] tdarrs=[0. 0. 0. 0.] tdarrstr=[‘0.0’ ‘0.0’ ‘0.0’ ‘0.0’] =================Test Input MODE================ ********************This gesture is No. [‘3.0’] |
●プログラムの備忘録
特徴量7個：https://gist.github.com/dj1711572002/53d9e6105f29c2a6604cc49320a07daa
分散のみ：https://gist.github.com/dj1711572002/3a254e362e5e589c1089a007a3bb565a
メモ１：scikit-leranに渡す行列のデータの型は、strでもfloatでもよいみたいでした。ただし、2次元の行列でないといけないので、1行のデータでも[[ 1,2,3]]と二重カッコに加工しないといけません。
df = pd.read_csv("stat_darrs.csv", sep=",", header=None,names=('gnum','var_X','var_y','var_z')) #pandas dataframeとしてcsvファイルを読み込んだ
#df= gnum var_X var_y var_z #0 1.0 5.167056 1.952147 132.17658 df1=df.loc[:,'var_X':'var_z'] # クラス番号gnuはテスト入力では要らないのでdataframeから切り取ったdf1を作成 #df1= var_X var_y var_z #0 5.167056 1.952147 132.17658 darr1 = df1.values #scikit-learnに渡すためには、pandas dataframe ではダメなので、numyの行列データに変換するためにdf1.valuesとして行列に変換 二重カッコになっていることが重要 ＃darr1=[[ 5.16705581 1.95214712 132.17658031]] |
統計処理したデータファイルstat_darrs.csvをpandas データフレームdf として読み込んでから、scikit-learnに渡すためには、numpyの行列に変換しないといけませんので、
●感想
IMUのパラメータを追加して統計処理して、EXCERLで特徴量を眺めながら、どの動作には、どの特徴量が良いか、確認してながら、特徴量エンジニアリングをすることが重要なことがわかりました。
特徴量エンジニアリング
●以後
自分の動作をサンプリングしながら、特徴量を調べて、どの動作にはどういう特徴量が良いのか、収集してみます。スキーでも歩行でもいろいろな動作を収集すると面白そうです。
IMU以外でもRTKにも使えるはずなので、スキーターンの種類を区別することはできるとおもいます。下手くそなパラレルとか区別はつけられるはずです。
BIGデータの世界にSTA24から踏みいれることになります。
