Prediction of gait parameters by IMU data
Jussila, Tuomo (2022)
Jussila, Tuomo
2022
Teknis-luonnontieteellinen DI-ohjelma - Master's Programme in Science and Engineering
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2022-07-19
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202206275840
https://urn.fi/URN:NBN:fi:tuni-202206275840
Tiivistelmä
The human gait is measured in several ways and they are are used in several applications. Some applications are cumbersome to use. Thesis project aims for application that is straightforward to use and reliable. Earlier project of this research group have developed model that works in intra-subjectly but not in inter-subject scheme. Now, this thesis examines the different views of inter-subject scheme for further applications. The aim of thesis was to analyze the data of IMU that was attached to person's torso. The data was analyzed using correlation matrices, reusing developed model from earlier projects and by seperating the data into walking and running parts. It was found that earlier findings of correlation matrices and Ensemble bagged trees regression model could be debatable and investigated more. The correlation matrices of Sharma's thesis were revised by separating the data into walking and running parts. It was found this project's correlation matrices differ significantly to correlation matrices of harma's thesis. Matrices weren't similar between subjects and walking or running activities. Ensemble bagged trees were able to predict intra-subject output data in reasonable accuracy but they failed in inter-subject testing. In this thesis project, an automatic classification model was developed to separate automatically the data into walking and running parts. The model provided robust results giving almost perfect classification results. The model was also able to classify open source data when trained with the data collected within our research group. Ihmisen askeletta on mitattu ja analysoitu lukuisilla menetelmillä. Näillä on myös lukuisia sovelluskohteita, mutta valitettavasti parhaimmilla menetelmät ovat vaikeita käyttää. Tämä diplomityöprojekti tähtääkin helpompaan sovellukseen, joka olisi suoraviivaisempaa käyttää ja myös luotettava. Tutkimusryhmä oli aiemmin kehittänyt menetelmän, joka toimii vain yhdelle ihmiselle, mutta ei useammille ihmisille eli malli ei ole yleistettävissä. Nyt, tämä diplomityö käsittelee erilaisia näkökulmia, jotka voisivat mahdollistaa mallin yleistettävyyden tulevaisuudessa. Tämän projektin tavoitteena on analysoida dataa, joka on kerätty selkään kiinnitetyn sensorien avulla. Analysoinnissa huomattiin, että aikaisemmat löydökset korrelaatiomatriiseista ja Ensemble Bagged Trees -regressiomallista ovat kyseenalaistettavissa ja näitä pitäisi tutkia syvemmin. Sharman diplomityön korrelaatiomatriiseja tarkasteltiin uudelleen tässä työssä jakamalla data kävely- ja juoksuosioon. Tutkimuksessa huomattiin, että projektin korrelaatiomatriisit poikkesivat merkittävästi Sharman diplomityön korrelaatiomatriiseihin. Matriisit eivät olleet samoja, kun koehenkilöä vaihdettiin. Ne eivät olleet myöskään samoja juoksu- tai kävelyaktiviteettien välillä. Ensemble Bagged Trees malli kykeni ennustamaan saman henkilön parametreja, mutta malli epäonnistui kun sitä yleistettiin ennustamaan muiden henkilöiden parametreja. Projektissa kehitettiin automaattinen segmentointimalli, joka luokittelee datan automaattisesti kävely- ja juoksukategorioihin. Malli tuotti luotettavia tuloksia ja malli pärjäsi hyvin, kun sitä testattiin vapaasti käytettävällä datalla. Malli oli koulutettu käyttäen meidän keräämää dataa.