Gait Analysis for Pedestrian Navigation Using MEMS Handheld Devices
Notice bibliographique
Résumé
Advances in Micro-Electro-Mechanical Systems (MEMS) technology play a central role in the design of new generation of smartphones. Indeed MEMS sensors, such as accelerometers and gyroscopes, are currently embedded in most smart devices in order to augment their capabilities. In the near future, it is expected that these sensors will be further exploited for pedestrian navigation purposes. However, the processing of signals from MEMS sensors cannot provide accurate navigation solutions without external aiding, e.g. from GNSS (Global Navigation Satellite Systems) signals, since their signals deteriorate due to significant errors, principally biases and drift which requires frequent sensor resets. When GNSS is not available and the sensors are mounted on the user’s foot, periodic zero velocity updates can be performed during the identified stance phases of the foot, namely the periods when the foot is flat on the ground. In the case of handheld devices, this approach cannot be adopted, since zero velocity periods are not present. Furthermore, when the sensors are held in a hand, the sensed motion can be decoupled from the global user’s motion rendering the situation much more complex to deal with. For this reason previous studies on pedestrian navigation are mainly focused on the body fixed sensor case. In this thesis, algorithms for characterizing the gait cycle of a pedestrian holding an IMU (Inertial Measurement Unit) in hand are proposed but without constraining the user in its behaviour and thus taking into account several sensor carrying modes. In view of the variety and complexity of human motions, the recognition of the user’s global motion from handheld devices is first thoroughly examined. A classifier able to recognize several different motion modes, including standing, walking, running, climbing and descending the stairs, is designed and implemented. Then an algorithm for evaluating the linear displacement of a pedestrian walking on a flat plane using only a handheld IMU is proposed. The complete algorithm comprises the following three modules: (1) Characterization of the user's activity and recognition of the sensor carrying mode, (2) Step detection and (3) Step length evaluation. The analysis leads to a novel step length model combining the user’s height, the step frequency and a set of three constants. First a universal model is proposed where the three constants have been trained with 12 different test subjects. Then, the same model is used for 10 different subjects to calibrate individually the set of constants. The validity of both universal and calibrated models is assessed in position domain using the above 10 test subjects. The fitted solution achieves an error between 2.5 and 5 % of the travelled distance, which is comparable with the performance of models proposed in the literature for body fixed sensors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».