Obszerne zestaw danych IMU do oceny układów czujników w rozpoznawaniu aktywności i intensywności ruchu

Dlaczego lokalizacja opaski fitness ma znaczenie

Zegarki sportowe i krokomierze obiecują śledzić wszystko, od codziennego spaceru po trening na siłowni. Jednak pod tymi smukłymi paskami kryje się zaskakująco trudne pytanie projektowe: gdzie na ciele umieścić czujniki, aby widziały wystarczająco dużo naszych ruchów, nie zamieniając nas przy tym w połączone przewodami roboty? W tym badaniu przedstawiono bogaty nowy zestaw danych, który pomaga naukowcom odpowiedzieć dokładnie na to pytanie, pokazując, jak różne układy noszonych czujników odczytują nasze aktywności i wysiłek.

Wiele trackerów, jedno duże ślepe pole

Rozpoznawanie aktywności człowieka to technologia pozwalająca urządzeniom wnioskować, czy siedzisz, idziesz, biegasz czy jedziesz na rowerze na podstawie danych ruchu. Kamery też potrafią to robić, ale czujniki noszone na ciele są lepsze do długoterminowego użytku zachowującego prywatność — w domach, klinikach i życiu codziennym. Większość istniejących zestawów danych do tych badań jednak umieszcza jedynie kilka czujników na wybranych częściach ciała — na przykład telefon w kieszeni lub jedną opaskę na nadgarstku. Tak ograniczony obraz utrudnia zbadanie ważnego kompromisu: ile czujników i gdzie naprawdę potrzeba, aby dokładnie rozpoznawać aktywności i ich intensywność, zachowując jednocześnie wygodę i praktyczność noszenia?

Budowanie mapy ruchu całego ciała

Aby wypełnić tę lukę, badacze zebrali dane ruchu od 30 zdrowych młodych dorosłych podczas wykonywania 12 powszechnych aktywności, w tym leżenia, siedzenia, stania, kilku prędkości chodzenia, wchodzenia po schodach, jazdy na rowerze, biegania, skakania i wiosłowania. Każda osoba miała 17 małych jednostek ruchu rozmieszczonych od głowy po stopy: na głowie, górnej i dolnej części pleców, barkach, ramionach, nadgarstkach, udach, goleniach i stopach. Jednostki te rejestrowały ruch każdego segmentu ciała w trzech wymiarach, 60 razy na sekundę, w spójnym globalnym układzie współrzędnych. Zespół zanotował także podstawowe pomiary ciała, takie jak wzrost i długości kończyn, oraz starannie oznaczył zarówno rodzaj aktywności, jak i poziom wysiłku, od siedzącego po intensywny, na podstawie standardowych tabel wydatku energetycznego.

Od surowego ruchu do rozpoznawalnych wzorców

Po zebraniu danych sygnały zostały pocięte na krótkie, nakładające się okna czasowe o długości od pół sekundy do 10 sekund. Dla tradycyjnych modeli uczenia maszynowego zespół sprowadził każde okno do zestawów ręcznie zaprojektowanych cech opisujących zachowanie sygnałów w czasie i częstotliwości — na przykład ich średnie, zmienność i dominujące rytmy. Następnie przeszkolili cztery powszechnie stosowane modele — dwa klasyczne podejścia i dwie sieci głębokiego uczenia — do dwóch zadań: rozróżniania 12 aktywności oraz grupowania ich w cztery poziomy wysiłku. Całe szkolenie i testowanie przeprowadzono w trybie podziału według osób: dane każdej osoby pojawiały się tylko w jednej roli, co gwarantowało, że modele rzeczywiście uczą się ogólnych wzorców, a nie zapamiętują stylu ruchu konkretnej osoby.

Co naprawdę ma znaczenie: czas i umiejscowienie

Wyniki pokazują, że przy starannie dobranych cechach klasyczne modele potrafią rozpoznawać aktywności z dokładnością około 96–97% i jeszcze pewniej określać poziomy wysiłku. Modele głębokiego uczenia trenowane bezpośrednio na surowych sygnałach osiągają niemal równie dobre wyniki, szczególnie dla krótszych okien czasowych. We wszystkich podejściach okna o długości około 2–5 sekund stanowią najlepszy kompromis między szybką reakcją a wiarygodną klasyfikacją: na tyle długie, by uchwycić rytm chodzenia czy wiosłowania, a jednocześnie na tyle krótkie, by nadawały się do informacji zwrotnej w czasie rzeczywistym. Patrząc na rozmieszczenie czujników, wyniki są zaskakujące. Układ skoncentrowany na dolnej części ciała — biodra, uda, goleń i stopy — często dorównuje, a nawet przewyższa wydajność pełnego pokrycia ciała, szczególnie przy ocenie intensywności. Minimalny zestaw trzech czujników na dolnej części pleców, udzie i goleni wciąż przekracza 90% dokładności, podczas gdy konfiguracje z pojedynczym czujnikiem, zwłaszcza na nadgarstku, radzą sobie zauważalnie gorzej.

Projektowanie inteligentniejszych, lżejszych urządzeń noszonych

Ten nowy zestaw danych sugeruje, że więcej czujników nie zawsze znaczy lepiej: dla codziennych ruchów zdominowanych przez nogi kompaktowy, dobrze dobrany pakiet czujników może konkurować z dużo bardziej złożonymi systemami. Ta obserwacja może kierować projektowaniem przyszłych urządzeń noszonych, które będą lżejsze, tańsze i łatwiejsze w użyciu, a jednocześnie zdolne do niezawodnego śledzenia zarówno tego, co ludzie robią, jak i jak intensywnie pracują. Udostępniając cały zestaw danych i kod publicznie, autorzy dostarczają pole testowe do udoskonalania układów czujników, badania nowych algorytmów i w końcu rozszerzania tych narzędzi na osoby starsze, pacjentów i bardziej zróżnicowane, rzeczywiste warunki.

Cytowanie: 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

Słowa kluczowe: czujniki noszone, rozpoznawanie aktywności człowieka, jednostki pomiaru inercyjnego, umiejscowienie czujnika, intensywność aktywności fizycznej