Transcript Previous Studies on Feature Extraction

Accelerometer Data Collection and
Preprocessing
Spring Semester, 2010
Outline
 Feature Extraction
– Z. He et al., “Gesture recognition based on
3D accelerometer for cell phones
interaction,” IEEE APCCAS 2008.
 Preprocessing and Segmentation
Previous Studies on Feature
Extraction
 Vector quantization
– J. Kela et al. “Accelerometer-based gesture
control for a design environment,” Pers. Ubiquit.
Comput. (2006)
– K-means clustering
Previous Studies on Feature
Extraction (Cont.)
 Acceleration, velocity, and position
– S.-D. Choi et al, “On-Line Handwritten Character
Recognition with 3D Accelerometer,” Proc.
IEEE ICIA, (2006)
Previous Studies on Feature
Extraction (Cont.)
 Local maximal / minimal points
– S.-J. Cho et al., “Two-stage Recognition of Raw
Acceleration Signals for 3-D GestureUnderstanding Cell Phones,” In 10th Int. Workshop
on Frontiers in Handwriting Recognition (2006)
Previous Studies on Feature
Extraction (Cont.)
 통계분석 방법
– 동작 방향, 크기, 변화량, 축 상관관계
 동작특성
– 제스처 길이, 중력방향 변화, 극점의 수
통계분석 방법
 가속도 값의 평균 (mean)
 가속도 크기의 평균 (mag.)
 표준편차 (std.)
7
통계분석 방법
 에너지
 상관관계
동작특성
 제스처 길이 (length)
 끝점과 시작점의 중력방향 변화 (grav.)
 극점의 수 (peak)
– 인접한 극대점과 극소점간의 차이가 제스쳐
데이터의 최대값과 최소값 차이의 50%가 넘
는 점을 극점으로 인식
Feature Extraction
 Compare three feature extraction
methods
– Discrete Cosine Transform (DCT)
– Fast Fourier Transform (FFT)
– Wavelet Packet Decomposition (WPD) with
FFT
 Depend on the application domain
(gesture set)
Feature Extraction
Gesture Set
Feature Extraction
Gesture Set -Motion-based Gesture Recognition
with an Accelerometer, B.S. Thesis
Feature Extraction
Discrete Cosine Transform (DCT)
 Widely used in image compression
 Xc(k) is the kth DCT coefficient
– A data sequence x(n), n=0,…,(N-1)
Feature Extraction
Discrete Cosine Transform (DCT)
 Select the low-frequency DCT
coefficients
Feature Extraction
Fast Fourier Transform (FFT)
Feature Extraction
Wavelet Packet Decomposition (WPD)
with FFT
 WPD: Decompose the signals to different
frequency range
Experimental Results
 SVM with
PW strategy
 Five-fold
cross-validation
Experimental Results
Confusion Matrix
Experimental Results
Confusion Matrix (Cont.)
 Fifth gesture (shake phone with no
specific direction once)
 Sixth gesture (shake phone to the left &
back, then to right & back)
Preprocessing and Segmentation
Preprocessing
 평활화(Smoothing)
– 노이즈 제거
– 이동평균 이용
Time t
 리샘플링(Resampling)
– 일정구간의 대표값만을 사용하여 데이터 크
기 감소
– Sliding window시 구간의 50%를 겹치게 하
21
여 구간의 평균값을 대표값으로 사용
Preprocessing (Cont.)
 양자화(Quantization)
– 고 정밀도의 센서의 오류를 줄이고 값을 심볼
화 하기 위한 데이터 이산화
– Uni-width: 데이터의 범위를 동일하게 나눔
– Uni-count: 데이터의 분포를 동일하게 나눔
– 계층적 이산화: 데이터들 간의 유클리드 거
리를 기반으로 나눔
Segmentation
 실시간 인식 시 연속적으로 들어오는 센
서 값을 제스처 단위로 분할
 Sliding Window를 사용한 제스처 여부 검
출
– Step 단위로 이동하면서 고정된 크기의
window에 대해 평가
– 평균 및 최대 변화량을 이용
Segmentation (Cont.)
 검출 구간 유효성 검사
– 검출구간: 처음 유효한 구간에서부터 연속으
로 유효한 구간의 끝을 찾음
– 최소 길이 < 검출구간 길이 < 최대 길이 가 되
도록 함
• 제스처의 최소 길이와 최대 길이는 경험적으로
정함
24
Segmentation (Cont.)
Sliding Window
이동
Time
X
O
O
O
O
X
X
XXXXXOOOOOOOOOOOOOOOOOOOOOXXXXXXX
세그먼트 된 데이터
25