Комплексный набор данных IMU для оценки компоновок датчиков при распознавании активности человека и её интенсивности

Почему для вашего фитнес‑трекера важно, где он находится

Фитнес‑часы и шагомеры обещают отслеживать всё — от вашей ежедневной прогулки до тренировки в зале. Но под этими аккуратными ремешками скрывается удивительно сложный инженерный вопрос: где на теле размещать датчики, чтобы они фиксировали достаточно движений, не превращая человека в «подключённого» робота? В этом исследовании представлен богатый новый набор данных, помогающий учёным ответить на этот вопрос, показывая, как разные схемы ношения считывают тип активности и её интенсивность.

Много трекеров — одна большая слепая зона

Распознавание активности человека — это технология, позволяющая устройствам по данным о движении определять, сидите ли вы, идёте, бегаете или катаетесь на велосипеде. Камеры тоже справляются с этой задачей, но датчики, прикреплённые к телу, лучше подходят для долговременного использования с учётом приватности — в домашних условиях, клиниках и повседневной жизни. Однако большинство существующих наборов данных для этой области содержат лишь несколько сенсоров, размещённых в отдельных местах — например, телефон в кармане или один браслет на запястье. Такой ограниченный охват осложняет изучение важного компромисса: сколько датчиков и где на теле реально нужно, чтобы точно распознавать активности и их интенсивность, сохраняя при этом комфорт и практичность ношения?

Создание карты движений всего тела

Чтобы устранить этот пробел, исследователи собрали данные о движениях 30 здоровых молодых взрослых, выполнявших 12 распространённых действий: лёжа, сидя, стоя, несколько скоростей ходьбы, подъём по лестнице, езда на велосипеде, бег, прыжки и гребля. Каждый участник носил 17 небольших модулей движения, расположенных от головы до ступней: на голове, в верхней и нижней части спины, на плечах, руках, запястьях, бёдрах, голенях и стопах. Эти модули фиксировали трёхмерное движение каждого сегмента тела 60 раз в секунду в единой глобальной системе координат. Команда также записала базовые антропометрические данные, такие как рост и длины конечностей, и тщательно размечала как тип активности, так и уровень усилий — от сидячего до интенсивного — на основе стандартных таблиц энергозатрат.

От сырых сигналов к распознаваемым шаблонам

После сбора данные разбили на короткие перекрывающиеся временные окна от полусекунды до 10 секунд. Для классических моделей машинного обучения каждое окно свели к наборам вручную подобранных признаков, описывающих поведение сигналов во временной и частотной областях — например, средние значения, вариабельность и доминирующие ритмы. Затем обучили четыре широко используемые модели — два классических подхода и две сети глубокого обучения — на двух задачах: различении 12 действий и группировке их по четырём уровням усилий. Весь процесс обучения и тестирования проводился по принципу «по субъектам»: данные каждого человека использовались лишь в одной роли (обучение или тест), что гарантирует, что модели действительно усваивали общие закономерности, а не запоминали индивидуальный стиль движений.

Что действительно важно: время и расположение

Результаты показывают, что при продуманном выборе признаков классические модели способны распознавать активности с точностью около 96–97%, а уровень усилий определяется ещё более надёжно. Модели глубокого обучения, обученные напрямую на сырых сигналах, работают почти так же хорошо, особенно на коротких временных окнах. Во всех подходах окна примерно 2–5 секунд дают наилучший баланс между быстрым откликом и надёжной классификацией: достаточно для захвата ритма ходьбы или гребли, но достаточно короткие для применения в режиме реального времени. Что касается размещения датчиков, выводы примечательны. Компоновка, сосредоточенная на нижней части тела — бёдра, голени и ступни (а также таз) — часто сопоставима с покрытием всего тела и иногда даже превосходит его, особенно при оценке интенсивности. Минимальная конфигурация из трёх датчиков на пояснице (нижняя часть спины), бедре и голени всё ещё даёт точность свыше 90%, тогда как одноточечные установки, особенно на запястье, показывают заметно худшие результаты.

Проектирование более умных и компактных устройств

Новый набор данных указывает, что больше датчиков не всегда значит лучше: для повседневных движений, доминируемых ногами, компактный и грамотно подобранный кластер сенсоров может соперничать с куда более сложными системами. Это наблюдение может помочь в разработке будущих носимых устройств, которые будут легче, дешевле и удобнее в использовании, но при этом надёжно отслеживать и тип активности, и её интенсивность. Публикуя полный набор данных и код в открытом доступе, авторы предоставляют платформу для дальнейшей оптимизации компоновок датчиков, исследования новых алгоритмов и, в перспективе, адаптации этих инструментов для пожилых людей, пациентов и более разнообразных реальных условий.

Цитирование: 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

Ключевые слова: носимые сенсоры, распознавание активности человека, инерциальные измерительные блоки, расположение датчиков, интенсивность физической активности