Een uitgebreid IMU-dataset voor het evalueren van sensorlayouts bij herkenning van menselijke activiteiten en intensiteit

Waarom het uitmaakt waar je fitness-tracker zit

Fitnesshorloges en stappentellers beloven alles bij te houden, van je dagelijkse wandeling tot je sportschooltraining. Onder die strakke bandjes schuilt echter een verrassend lastige ontwerpvraag: waar op het lichaam moeten we de sensoren plaatsen zodat ze genoeg van onze beweging vangen zonder dat we ons voelen als bedrade robots? Deze studie introduceert een rijk nieuw dataset dat onderzoekers helpt die vraag te beantwoorden en laat zien hoe verschillende draagbare configuraties registreren wat we doen en hoe hard we werken.

Veel trackers, één groot blinde vlek

Herkenning van menselijke activiteiten is de technologie waarmee apparaten kunnen afleiden of je zit, loopt, rent of fietst op basis van bewegingsgegevens. Camera’s kunnen dit ook, maar lichaamsgebonden sensoren zijn beter voor langdurig, privacyvriendelijk gebruik in huizen, klinieken en het dagelijks leven. De meeste bestaande datasets voor dit onderzoek plaatsen echter slechts enkele sensoren op geselecteerde lichaamsdelen—zoals een telefoon in de zak of een band om de pols. Dat beperkte perspectief bemoeilijkt het bestuderen van een belangrijke afweging: hoeveel sensoren en waar zijn echt nodig om activiteiten en hun intensiteit nauwkeurig te herkennen, terwijl ze nog comfortabel en praktisch zijn om te dragen?

Een volledige bewegingskaart van het lichaam maken

Om deze leemte te dichten verzamelden de onderzoekers bewegingsgegevens van 30 gezonde jongvolwassenen terwijl zij 12 veelvoorkomende activiteiten uitvoerden, waaronder liggen, zitten, staan, verschillende loopsnelheden, traplopen, fietsen, rennen, springen en roeien. Elke deelnemer droeg 17 kleine bewegingsunits verspreid van hoofd tot voeten: op het hoofd, de bovenrug, de onderrug, schouders, armen, polsen, dijen, scheenbenen en voeten. Deze units registreerden hoe elk lichaamssegment in drie dimensies bewoog, 60 keer per seconde, in een consistent globaal coördinatensysteem. Het team noteerde ook basislichamelijke afmetingen, zoals lengte en ledemaatlengtes, en labelde zorgvuldig zowel het type activiteit als het inspanningsniveau, van sedentair tot intens, op basis van standaard tabellen voor energieverbruik.

Van ruwe beweging naar herkenbare patronen

Nadat de gegevens waren verzameld, werden de signalen opgesplitst in korte overlappende tijdvensters variërend van een halve seconde tot 10 seconden. Voor traditionele machine-learningmodellen destilleerde het team elk venster naar sets handgemaakte kenmerken die beschrijven hoe de signalen zich in tijd en frequentie gedragen, zoals hun gemiddelden, variabiliteit en dominante ritmes. Vervolgens trainden ze vier veelgebruikte modellen—twee klassieke benaderingen en twee deep-learningnetwerken—op twee taken: de 12 activiteiten onderscheiden en ze indelen in vier inspanningsniveaus. Alle training en tests werden onderwerp-gewijs uitgevoerd: gegevens van elke persoon verschenen in slechts één rol, zodat de modellen echt algemene patronen leerden in plaats van de bewegingsstijl van een individu te onthouden.

Wat echt telt: tijd en plaatsing

De resultaten tonen aan dat, met zorgvuldig gekozen kenmerken, klassieke modellen activiteiten kunnen herkennen met ongeveer 96–97% nauwkeurigheid en inspanningsniveaus nog betrouwbaarder. Deep-learningmodellen die rechtstreeks op ruwe signalen worden getraind presteren bijna even goed, vooral op kortere tijdvensters. Over alle benaderingen heen bieden vensters van ongeveer 2–5 seconden de beste balans tussen snelle respons en betrouwbare classificatie: lang genoeg om het ritme van lopen of roeien vast te leggen, maar kort genoeg om nuttig te zijn voor realtime feedback. Wat betreft sensorplaatsing zijn de bevindingen opmerkelijk. Een configuratie gericht op het onderlichaam—heupen, dijen, scheenbenen en voeten—benadert vaak of overtreft zelfs de prestaties van volledige lichaamsbedekking, vooral bij het inschatten van intensiteit. Een minimaal drie-sensorsetup op de onderrug, dij en scheenbeen haalt nog steeds meer dan 90% nauwkeurigheid, terwijl enkel-sensoropstellingen, met name aan de pols, duidelijk slechter presteren.

Slimmere, slankere wearables ontwerpen

Dit nieuwe dataset suggereert dat meer sensoren niet altijd beter zijn: voor alledaagse bewegingen waarin de benen domineren, kan een compacte, weloverwogen cluster sensoren concurreren met veel complexere systemen. Dat inzicht kan het ontwerp sturen van toekomstige wearables die lichter, goedkoper en gebruiksvriendelijker zijn, maar toch betrouwbaar kunnen bijhouden wat mensen doen en hoe hard ze werken. Door het volledige dataset en de code openbaar te maken, bieden de auteurs een testomgeving voor het verfijnen van sensorlayouts, het verkennen van nieuwe algoritmen en uiteindelijk het uitbreiden van deze tools naar oudere volwassenen, patiënten en meer gevarieerde reële omgevingen.

Bronvermelding: Feng, M., Zhang, Q. & Fang, H. A comprehensive IMU dataset for evaluating sensor layouts in human activity and intensity recognition. Sci Data 13, 317 (2026). https://doi.org/10.1038/s41597-026-06710-9

Trefwoorden: draagbare sensoren, herkenning van menselijke activiteiten, inertiële meetsensoren, sensorplaatsing, intensiteit van fysieke activiteit