IMU 6軸數據進行人體姿態分類的應用案例使用 RNN（ LSTM）

 典型的 IMU 6軸數據進行人體姿態分類的應用案例。

若你希望使用 RNN（尤其是 LSTM） 進行分類，我可以給你一份完整的 PyTorch 範例，

包含以下流程：

---

✅ 假設條件

• 資料來源：6軸 IMU（3軸加速度 + 3軸陀螺儀）

• 資料格式：每筆樣本是一段時間內的連續序列（例如 100 個時間點），每個時間點有 6 維資料

• 分類標籤： {0: '靜止', 1: '站立', 2: '行走', 3: '坐下'}

---

📦 第一步：準備資料

python
import numpy as np
import torch
from torch.utils.data import Dataset, DataLoader

class IMUDataset(Dataset):
    def __init__(self, X, y):
        self.X = torch.tensor(X, dtype=torch.float32)
        self.y = torch.tensor(y, dtype=torch.long)

    def __len__(self):
        return len(self.X)

    def __getitem__(self, idx):
        return self.X[idx], self.y[idx]

# 模擬資料：每筆資料是長度為 100 的序列，每個時間點有 6 維 IMU 資料
num_samples = 2000
sequence_length = 100
input_dim = 6
num_classes = 4

# 模擬 IMU 資料和標籤
X_data = np.random.randn(num_samples, sequence_length, input_dim)
y_data = np.random.randint(0, num_classes, size=(num_samples,))

# 分割訓練與驗證
train_size = int(0.8 * num_samples)
train_dataset = IMUDataset(X_data[:train_size], y_data[:train_size])
val_dataset = IMUDataset(X_data[train_size:], y_data[train_size:])
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=64)

---

🔁 第二步：建立 LSTM 模型

python
import torch.nn as nn

class IMULSTMClassifier(nn.Module):
    def __init__(self, input_dim, hidden_dim, num_layers, num_classes):
        super(IMULSTMClassifier, self).__init__()
        self.lstm = nn.LSTM(input_dim, hidden_dim, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_dim, num_classes)

    def forward(self, x):
        out, _ = self.lstm(x)
        # 取最後時間步的輸出作為分類依據
        out = out[:, -1, :]
        out = self.fc(out)
        return out

---

🧠 第三步：訓練模型

python
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

model = IMULSTMClassifier(input_dim=6, hidden_dim=64, num_layers=2, num_classes=4).to(device)
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)

for epoch in range(20):
    model.train()
    total_loss = 0
    for X_batch, y_batch in train_loader:
        X_batch, y_batch = X_batch.to(device), y_batch.to(device)
        optimizer.zero_grad()
        y_pred = model(X_batch)
        loss = criterion(y_pred, y_batch)
        loss.backward()
        optimizer.step()
        total_loss += loss.item()
    print(f"Epoch {epoch+1}, Loss: {total_loss:.4f}")

---

🧪 第四步：驗證準確度

python
model.eval()
correct = 0
total = 0
with torch.no_grad():
    for X_batch, y_batch in val_loader:
        X_batch, y_batch = X_batch.to(device), y_batch.to(device)
        outputs = model(X_batch)
        _, predicted = torch.max(outputs.data, 1)
        total += y_batch.size(0)
        correct += (predicted == y_batch).sum().item()

print(f"Validation Accuracy: {100 * correct / total:.2f}%")

---

📌 備註

• 可進一步加入標準化（StandardScaler）或移動平均平滑數據。

• 若你有 CSV/IMU 原始檔，我也可以幫你做資料前處理與轉換成 RNN dataset。

• 此為 2K7（大概是說 PyTorch 2.0 + Python 3.7/3.8 的縮寫？），程式碼皆相容。

---