En omfattande IMU-datamängd för att utvärdera sensorlayout vid igenkänning av mänsklig aktivitet och intensitet

Varför din träningsklocka bryr sig om var den sitter

Träningsklockor och stegräknare lovar att spåra allt från din dagliga promenad till ditt gympass. Men under de stilrena banden döljer sig en oväntat knepig designfråga: var på kroppen bör sensorerna placeras så att de fångar tillräckligt mycket av våra rörelser utan att göra oss till uppkopplade robotar? Denna studie presenterar en rik ny datamängd som hjälper forskare att svara just på det — och visar hur olika bärbara layouter kan läsa av vad vi gör och hur hårt vi arbetar.

Många tracker, en stor blind fläck

Igenkänning av mänsklig aktivitet är tekniken som gör det möjligt för enheter att sluta sig till om du sitter, går, springer eller cyklar utifrån rörelsedata. Kameror kan också göra detta, men kroppsburna sensorer är bättre för långtidsanvändning som bevarar integriteten i hem, kliniker och i vardagen. De flesta befintliga datamängder för denna forskning placerar dock bara ett fåtal sensorer på utvalda kroppsdelar — till exempel en telefon i fickan eller ett band på handleden. Denna begränsade vy försvårar studiet av en viktig avvägning: hur många sensorer, och var, behövs egentligen för att känna igen aktiviteter och deras intensitet noggrant samtidigt som bärkomfort och praktisk användbarhet bibehålls?

Att bygga en helkroppskarta över rörelser

För att täppa till detta gap samlade forskarna in rörelsedata från 30 friska unga vuxna medan de utförde 12 vanliga aktiviteter, inklusive att ligga, sitta, stå, flera gånghastigheter, trappgång, cykling, löpning, hopp och rodd. Varje person bar 17 små röelsenheter fördelade från huvud till fötter: på huvudet, övre ryggen, nedre ryggen, axlarna, armarna, handlederna, låren, underbenen och fötterna. Dessa enheter registrerade hur varje kroppssegment rörde sig i tre dimensioner, 60 gånger per sekund, i ett konsekvent globalt koordinatsystem. Teamet loggade också grundläggande kroppsdata, såsom längd och extremitetslängder, och märkte noggrant både aktivitetstyp och ansträngningsnivå, från stillasittande till kraftfull, baserat på standardtabeller för energiförbrukning.

Från rå rörelse till igenkännliga mönster

När data hade samlats in delades signalerna upp i korta överlappande tidsfönster som varierade från en halv sekund till 10 sekunder. För traditionella maskininlärningsmodeller destillerade teamet varje fönster till uppsättningar handgjorda funktioner som beskriver hur signalerna beter sig över tid och frekvens, såsom deras medelvärden, variabilitet och dominerande rytmer. De tränade sedan fyra vida använda modeller — två klassiska tillvägagångssätt och två djupa neurala nätverk — för två uppgifter: att skilja de 12 aktiviteterna åt och att gruppera dem i fyra ansträngningsnivåer. All träning och testning gjordes ämnesvis: data från varje person förekom bara i en roll, vilket säkerställde att modellerna verkligen lärde sig generella mönster snarare än att memorera en individs rörelsestil.

Vad som verkligen betyder något: tid och placering

Resultaten visar att med genomtänkta funktioner kan klassiska modeller känna igen aktiviteter med omkring 96–97 % noggrannhet och ansträngningsnivåer ännu mer tillförlitligt. Djupa inlärningsmodeller tränade direkt på råa signaler presterar nästan lika bra, särskilt på kortare tidsfönster. Över alla angreppssätt är fönster på cirka 2–5 sekunder en bra balans mellan snabb respons och pålitlig klassificering: tillräckligt långa för att fånga rytmen i till exempel gång eller rodd, men korta nog för att vara användbara för realtidsåterkoppling. När det gäller var sensorerna sitter är fynden slående. En layout fokuserad på underkroppen — höfter, lår, underben och fötter — motsvarar ofta eller överträffar till och med prestandan hos helkroppstäckning, särskilt för att bedöma intensitet. En minimal konfiguration med tre sensorer på nedre ryggen, lår och underben överstiger fortfarande 90 % noggrannhet, medan enkelsensorslösningar, särskilt på handleden, presterar märkbart sämre.

Att designa smartare, slankare bärbara enheter

Denna nya datamängd antyder att fler sensorer inte alltid är bättre: för vardagsrörelser som domineras av benen kan en kompakt, väl vald gruppering av sensorer konkurrera med betydligt mer komplexa system. Den insikten kan vägleda designen av framtida bärbar teknik som är lättare, billigare och enklare att använda, men ändå kapabla att pålitligt spåra både vad människor gör och hur hårt de arbetar. Genom att göra hela datamängden och koden offentligt tillgänglig erbjuder författarna en testbädd för att förfina sensorlayouter, utforska nya algoritmer och så småningom utvidga dessa verktyg till äldre, patienter och mer varierade verkliga miljöer.

Citering: 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

Nyckelord: bärbara sensorer, igenkänning av mänsklig aktivitet, tröghetsmätenheter, sensorplacering, fysisk aktivitetsintensitet