Signal processing methods for accurate event detection : In measuring haptic response

Abstract

Haptic technology is closely related to the human sense of touch. In many cases, especially in consumer products haptics is synonymous to vibration feedback. These vibrations are usually created by actuators with controllable parameters. For instance, it enables altering the vibration's frequency or amplitude.

Traditionally, vibration feedback has been measured using static measurement methods when the vibrations are created with mechanical elements, such as buttons and switches. These static measurements cannot be applied to vibrations created with adjustable parameters, as they are dynamic in nature. This creates a need for a time-based measurement that can be used for verifying the functionality of devices that use active haptic feedback.

In this thesis, traditional digital signal processing methods are researched and implemented for preprocessing, denoising and event detection purposes. Three different approaches for denoising are implemented and compared: adaptive filters, spectral subtraction and wavelet shrinkage. Within these approaches different methods and parameters are experimented with to guide the final denoiser selection. Out of these approaches the wavelet shrinkage method using the SpcShrink threshold selection rule provided the best denoising results. Using synthetic noise with an input Signal-to-Noise Ratio of 5 dB and a decomposition level of J=9 a maximum average Signal-to-Noise Ratio improvement of 21.8 dB and an average Root Mean Square Error value of 0.0175 was achieved. With the same Device Under Test but with real-world motion noise as the input and with a decomposition level J=5 an average Signal-to-Noise Ratio improvement of 8.79 dB and an average Root Mean Square Error value of 0.0358 was achieved.

The proposed event detection method is based on time-frequency analysis. The Continuous Wavelet Transform was chosen as the analysis tool. The locations of the haptic events are searched from the time-frequency matrix and with the location information the precise start and end timestamps of the individual events are extracted from the time series data. The detection performance was evaluated by adding synthetic noise to the input data and calculating the Mean Absolute Errors between the ground truth values and noisy detections. Based on these calculations, an input Signal-to-Noise Ratio of at least 15 dB is suggested to achieve the best detection results.

As the amount of tested devices was limited, the data used for verifying the denoising methods and the event detection performance did not have much variability. Based on this, the most important future work would be to test the measurement system on multiple different devices that utilize different haptic technologies. That would further verify the functionality of the test system and the proposed event detection process.

Haptinen teknologia liittyy vahvasti ihmisen tuntoaistiin. Monissa tapauksissa haptiikkaa käytetään synonyymina värinäpalautteelle, varsinkin kun on kyse kuluttajatuotteista. Hyvin usein tämä palaute luodaan aktuaattoreilla, joiden parametrit ovat säädettäviä. Tämä mahdollistaa erilaisten haptisten palautteiden luomista, esimerkiksi laitteen tuottamaa taajuutta sekä siirtymää pystytään muokkaamaan.

Perinteisesti haptista palautetta on mitattu käyttäen staattisia menetelmiä. Tämä on mahdollista silloin, kun värinä luodaan mekaanisilla elementeillä, kuten napeilla ja kytkimillä. Näitä staattisia mittausmenetelmiä ei voida kuitenkaan soveltaa sellaisen värinän mittaamiseen joka on luotu käyttäen aktiivisia menetelmiä, jotka ovat luonteeltaan dynaamisia. Tämä ongelma luo tarpeen aikapohjaiselle mittausmenetelmälle, jota voidaan käyttää aktiivista haptiikka hyödyntävien laitteiden verifioimiseen.

Tässä työssä toteutettiin esikäsittely- ja häiriönpoistomenetelmiä, sekä havainnointimenetelmä perinteisiä digitaalisia signaalinkäsittelymenetelmiä hyödyntäen. Häiriönpoistoon käytetyt menetelmät olivat adaptiiviset suotimet, spektrin muokkaus, sekä wavelet-kutistus. Häiriönpoistomenetelmän valinnan tukena eri menetelmiä hyödyntäviä toteustapoja implementoitiin ja vertailtiin, jotta paras häiriönpoistomenetelmä pystyttiin valitsemaan. Toteutetuista menetelmistä parhaiten pärjäsi wavelet-kutistus SpcShrink menetelmää käyttäen. Kun syötteenä käytettiin synteettistä häiriötä sisältävää signaalia signaali-kohinasuhteella 5 dB, paras saavutettu signaali-kohinasuhteen parannus oli keskiarvoltaan 21.8 dB, jota vastaava neliöllisen keskiarvon virhe oli 0.0175 käyttäen hajontatasoa J=9. Kun syötteenä käytettiin signaalia joka sisälsi robotin liikkeestä aiheutuvaa häiriötä, paras signaali-kohinasuhteen parannus oli 8.79 dB ja sitä vastaava neliöllisen keskiarvon virhe oli 0.0358 samaa häiriönpoistomenetelmää käyttäen, hajontatason ollessa J=5.

Esitetty tapahtumien havainnointimenetelmä perustuu aika-taajuus analyysiin, menetelmäksi valikoitui jatkuva wavelet-muunnos. Toteutetussa menetelmässä haptisten tapahtumien sijainnit etsitään aika-taajuus matriisista, joiden avulla tarkat tapahtumien alku- ja loppuajankohdat etsitään aikasarja-datasta. Havainnointimenetelmää arvioitiin lisäämällä syötesignaaleihin synteettistä häiriötä, ja laskemalla sitten tulosten keskipoikkeama verratuna havaintojen todellisiin arvoihin. Näihin laskelmiin perustuen voidaan sanoa, että syötesignaalin signaali-kohinasuhteen olisi hyvä olla vähintään 15 dB, jotta parhaat mahdolliset havainnointitulokset saavutetaan.

Koska testattavien laitteiden määrä oli rajoitettu, verifiointiin käytetty data ei ollut kovin monipuolista. Tähän perustuen, tärkein asia jatkokehityksen kannalta on mittauslaitteiston testaaminen mahdollisimman monella erilaisia haptisia teknologioita hyödyntäviä laitteita käyttäen. Tällä tavalla laitteiston ja tässä työssä kehitettyjen menetelmien toimivuutta voidaan edelleen verifioida.