Détection du moment où une personne commence à marcher à l'aide des données du mouvement du cœur et du Cmaccéléromètre

si vous utilisez iOS7 et iPhone5S, je vous suggère d'examiner CMMotionActivityManager qui est disponible dans iPhone5S en raison de la puce M7. Il est également disponible dans une couple d'autres périphériques:

M7 puce

voici un extrait de code que j'ai mis en place pour le tester quand je l'apprenais.

#import <CoreMotion/CoreMotion.h>

@property (nonatomic,strong) CMMotionActivityManager *motionActivityManager;

-(void) inSomeMethod
{
  self.motionActivityManager=[[CMMotionActivityManager alloc]init];

  //register for Coremotion notifications
  [self.motionActivityManager startActivityUpdatesToQueue:[NSOperationQueue mainQueue] withHandler:^(CMMotionActivity *activity) 
  {
    NSLog(@"Got a core motion update");
    NSLog(@"Current activity date is %f",activity.timestamp);
    NSLog(@"Current activity confidence from a scale of 0 to 2 - 2 being best- is: %ld",activity.confidence);
    NSLog(@"Current activity type is unknown: %i",activity.unknown);
    NSLog(@"Current activity type is stationary: %i",activity.stationary);
    NSLog(@"Current activity type is walking: %i",activity.walking);
    NSLog(@"Current activity type is running: %i",activity.running);
    NSLog(@"Current activity type is automotive: %i",activity.automotive);
  }];
}

je l'ai testé et il semble être assez précis. Le seul inconvénient est qu'il ne sera pas vous donner une confirmation dès que vous commencez un action (marcher par exemple). Certains algorithmes de la boîte noire attend pour s'assurer que vous marchez ou courez vraiment. Mais alors vous savez que vous avez une action confirmée.

c'est mieux que de jouer avec l'accéléromètre. Apple a pris soin de ce détail!

vous pouvez utiliser cette bibliothèque simple pour détecter si l'utilisateur marche, court, sur le véhicule ou ne bouge pas. Fonctionne sur tous les appareils iOS et pas besoin de puce M7.

https://github.com/SocialObjects-Software/SOMotionDetector

Dans repo vous pouvez trouver projet de démonstration

je suis ce document (PDF via RG) dans le cadre de mon projet de navigation intérieure visant à déterminer la dynamique des utilisateurs(statique, marche lente, marche rapide) au moyen de simples données d'accéléromètre afin de faciliter la détermination de l'emplacement.

Voici l'algorithme proposé dans le projet:

Et voici mon implémentation dans Swift 2.0:

import CoreMotion
let motionManager = CMMotionManager()
motionManager.accelerometerUpdateInterval = 0.1
motionManager.startAccelerometerUpdatesToQueue(NSOperationQueue.mainQueue()) { (accelerometerData: CMAccelerometerData?, error: NSError?) -> Void in
        if((error) != nil) {
            print(error)
        } else {
            self.estimatePedestrianStatus((accelerometerData?.acceleration)!)
        }
}

après tout le classique code Swifty iOS à initiez la CoreMotion, voici la méthode de calcul des nombres et de détermination de l'état:

func estimatePedestrianStatus(acceleration: CMAcceleration) {
    // Obtain the Euclidian Norm of the accelerometer data
    accelerometerDataInEuclidianNorm = sqrt((acceleration.x.roundTo(roundingPrecision) * acceleration.x.roundTo(roundingPrecision)) + (acceleration.y.roundTo(roundingPrecision) * acceleration.y.roundTo(roundingPrecision)) + (acceleration.z.roundTo(roundingPrecision) * acceleration.z.roundTo(roundingPrecision)))

    // Significant figure setting
    accelerometerDataInEuclidianNorm = accelerometerDataInEuclidianNorm.roundTo(roundingPrecision)

    // record 10 values
    // meaning values in a second
    // accUpdateInterval(0.1s) * 10 = 1s
    while accelerometerDataCount < 1 {
        accelerometerDataCount += 0.1

        accelerometerDataInASecond.append(accelerometerDataInEuclidianNorm)
        totalAcceleration += accelerometerDataInEuclidianNorm

        break   // required since we want to obtain data every acc cycle
    }

    // when acc values recorded
    // interpret them
    if accelerometerDataCount >= 1 {
        accelerometerDataCount = 0  // reset for the next round

        // Calculating the variance of the Euclidian Norm of the accelerometer data
        let accelerationMean = (totalAcceleration / 10).roundTo(roundingPrecision)
        var total: Double = 0.0

        for data in accelerometerDataInASecond {
            total += ((data-accelerationMean) * (data-accelerationMean)).roundTo(roundingPrecision)
        }

        total = total.roundTo(roundingPrecision)

        let result = (total / 10).roundTo(roundingPrecision)
        print("Result: \(result)")

        if (result < staticThreshold) {
            pedestrianStatus = "Static"
        } else if ((staticThreshold < result) && (result <= slowWalkingThreshold)) {
            pedestrianStatus = "Slow Walking"
        } else if (slowWalkingThreshold < result) {
            pedestrianStatus = "Fast Walking"
        }

        print("Pedestrian Status: \(pedestrianStatus)\n---\n\n")

        // reset for the next round
        accelerometerDataInASecond = []
        totalAcceleration = 0.0
    }
}

J'ai aussi utilisé l'extension suivante pour simplifier le réglage des chiffres significatifs:

extension Double {
    func roundTo(precision: Int) -> Double {
        let divisor = pow(10.0, Double(precision))
        return round(self * divisor) / divisor
    }
}

avec les valeurs brutes de CoreMotion, l'algorithme était haywire.

Espérons que cela aide quelqu'un.

EDIT (4/3/16)

j'ai oublié de donner mon roundingPrecision valeur. Je l'ai défini comme 3. C'est tout simplement mathématique que l' une valeur significative est assez décent. Si vous le souhaitez, vous fournir plus.

une autre chose à mentionner est qu'à l'heure actuelle, cet algorithme exige que l'iPhone soit dans votre main tout en marchant. Voir l'image ci-dessous. Désolé c'est la seule que j'ai pu trouver.

Mon dépôt GitHub hébergement Piétonne Statut