IMU HAR 簡報大綱

 1#IMU 功能和應用介紹

2#HAR 資料分析

3#IMU 測試工具建立

4#流程概述：IMU 姿勢分類（RNN-LSTM）

5#Pytorch ML 訓練操作

6#模型驗證圖表

7#問題與討論   

---

1️⃣ IMU 功能和應用介紹

---

什麼是 IMU（Inertial Measurement Unit）？

• 加速度計（Accelerometer）：測量線性加速度

• 陀螺儀（Gyroscope）：測量角速度

• 磁力計（Magnetometer，選配）：測量地磁方向

常見應用領域

• 自駕車與機器人導航

• 穿戴式裝置（智慧手錶、健康監測）

• 運動科學與復健追蹤

• 遊戲控制器與 VR 設備

---

2️⃣ HAR 資料分析（Human Activity Recognition）

---

Human Activity Recognition（人體活動辨識）簡介

• 利用 IMU 資料分析使用者的活動狀態

• 常見活動類別：靜止、行走、跑步、上下樓梯、騎車

HAR 資料分析流程

• IMU 原始數據（6軸/9軸）蒐集

• 訊號處理（濾波、標準化）

• 資料標註（Activity Labels）

• 特徵提取（Raw Data or Features）

• 建立分類模型

---

3️⃣ IMU 測試工具建立

---

開發 IMU 測試平台

• 目標：即時收集與顯示 IMU 資料

• 技術堆疊：Flask + PyQt5 + pyqtgraph

功能需求

• Wi-Fi 透過 API 接收即時資料

• 資料緩衝與流暢播放（100Hz）

• 支援 CSV 載入 / API 即時讀取

• 支援資料組選擇、分類疊加顯示

---

4️⃣ 流程概述：IMU 姿勢分類（RNN-LSTM）

---

IMU 姿勢分類整體流程

1. 收集 IMU 連續時間序列資料

2. 資料標準化與滑動視窗切割

3. 訓練 Recurrent Neural Network (RNN)

4. 使用 LSTM（Long Short-Term Memory）擷取時間特徵

5. 分類輸出：靜止 / 站立 / 行走 / 坐下

資料處理重點

• 每 0.01 秒一筆資料

• 滑動窗格：100筆（1秒）、200筆（2秒）

• 標籤依活動切分

---

5️⃣ PyTorch ML 訓練操作

---

PyTorch 訓練主要步驟

• 定義 LSTM 類別模型

• 建立訓練與驗證集

• 設置 Loss function (CrossEntropyLoss)

• 設置 Optimizer (Adam)

• 訓練迴圈（Epochs）

• 儲存最佳化模型 (model.pth)

範例超參數

• Hidden units：64

• Layers：2

• Batch size：64

• Learning rate：0.001

• 訓練次數：20 epochs

---

6️⃣ 模型驗證圖表

---

訓練結果驗證

• Loss 曲線（Training loss vs Validation loss）

• Accuracy 曲線（Training accuracy vs Validation accuracy）

• 混淆矩陣（Confusion Matrix）

  • 靜止、站立、行走、坐下辨識率

• Precision / Recall / F1-Score

典型圖表類型

• Line Chart：損失與正確率

• Heatmap：混淆矩陣

---

7️⃣ 問題與討論

---

潛在問題

• 資料不均（靜止樣本數遠大於行走）

• 感測器雜訊影響分類精度

• 延遲與時間同步問題

• 小樣本訓練過擬合

未來改進方向

• 引入更多傳感器數據（如心率）

• 增加資料增強（Data Augmentation）

• 測試不同神經網絡架構（GRU, Transformer）

---