Н.В. Дорофеев1, А.В. Греченева2

1,2 ФГБОУ ВО «Владимирский государственный университет им. А.Г. и Н.Г. Столетовых» (г. Владимир, Россия)

2 Российский государственный аграрный университет – МСХА им. К.А. Тимирязева (Москва, Россия)

Постановка проблемы. Применение мобильных устройств для измерения биометрических данных человека приобретает все большую популярность. На практике при обработке измерений биометрических параметров человека с помощью носимых им устройств сталкиваются с влиянием различных факторов на качество оценки этих параметров. Такая особенность измерений биометрических параметров связана со случайным перемещением носимого устройства, изменением условий и самих биометрических параметров у наблюдаемого.

Цель. Исследовать влияние различных факторов на результаты оценки параметров походки человека при регистрации этих параметров с помощью акселерометра мобильного телефона.

Результаты. Рассмотрены основные подходы, применяемые на этапе предварительной обработки акселерометрических данных. Приведены результаты исследования влияния различных факторов на оценку параметров походки человека с помощью встроенного в мобильный телефон акселерометра. Отмечено, что особенностью измерений является отсутствие жесткого крепления мобильного телефона на теле человека или его одежде. Рассмотрены такие факторы, как тип одежды, тип обуви, физиологические показатели человека. Установлено, что нормированная форма сигнала акселерометрического датчика мобильного телефона изменяется на 0,3 (по коэффициенту корреляции) при замене плотно прилегающих
к телу человека штанов на просторные, на 0,12 при смене обуви с тонкой подошвой на обувь с каблуками. Изменения
в физиологии человека отражены в сигналах акселерометра в виде изменения формы сигнала на 0,1 (по коэффициенту корреляции).

Практическая значимость. Полученные результаты можно использовать в алгоритмах компенсации негативных факторов и в алгоритмах оценки изменения индивидуальных физиологических особенностей человека. Возможными сферами применения полученных результатов являются системы контроля и безопасности на основе биометрических параметров походки, в том числе система аутентификации; системы медицинской диагностики показателей здоровья человека, системы реабилитации, а также спортивная и игровая индустрия.

Дорофеев Н.В., Греченева А.В. Изменчивость походки человека в данных акселерометра мобильного телефона // Биомедицинская радиоэлектроника. 2023. T. 26. № 4. С. 85–92. DOI: https://doi.org/10.18127/ j15604136-202304-09

1. Мошкова А.А., Самородов А.В., Войнова Н.А., Волков А.К., Ершова М.В., Иванова Е.О., Федотова Е.Ю. Разработка и исследование метода автоматизированного распознавания болезни Паркинсона на основе комбинации признаков двигательной активности рук, мимической активности и лицевой выразительности // Биомедицинская радиоэлектроника. 2021. Т. 24. № 2. С. 30–38.
2. Sprager S., Juric M.B. Inertial Sensor-Based Gait Recognition: A Review // Sensors. 2015. V. 15. P. 22089–22127. doi: 10.3390/ s150922089
3. Connor P., Ross A. Biometric recognition by gait: A survey of modalities and features // Comput. Vis. Image Underst. 2018. V. 167. P. 1–27.
4. Guelta B., Tlemsani R., Chouraqui S., Benouis M. An Improved Behavioral Biometric System based on Gait and ECG signals // International Journal of Intelligent Engineering & Systems. 2019. V. 12. № 6. P. 147–156. doi: 10.22266/ijies2019/1231.14
5. Ren Y., Chuah M.C. User Verification Leveraging Gait Recognition for Smartphone Enabled Mobile Healthcare Systems // IEEE Transactions on mobile computing. 2015. V. 14. № 9. P. 1961–1974.
6. Khabir K.M., Siraj Md. S., Ahmed M., Ahmed M.U. Prediction of gender and age from inertial sensor-based gait dataset // Joint 2019 8th International Conference on Informatics, Electronics & Vision (ICIEV) & 3rd International Conference on Imaging, Vision & Pattern Recognition (IVPR). 2019. P. 371–376.
7. Shema-Shiratzaky S., Beer Y., Mor A., Elbaz A. Smartphone-based inertial sensors technology – Validation of a new application to measure spatiotemporal gait metrics // Gati & Posture. 2022. V. 93. P. 102–106.
8. Garufov D., Bours P. User authentication based on foot motion // SIViP. 2011. V. 5. P. 457–467. doi: 10.1007/s11760-011-0249-1
9. Reyes O.C., Vera-Rodriguez R., Scully P. J., Ozanyan K.B. Analysis of Spatio-Temporal Representations for Robust Footstep Recognition with Deep Residual Neural Networks // IEEE Transaction on pattern analysis and machine intelligence. P. 1–13. DOI:10.1109/TPAMI.2018.2799847
10. Соколова А.И., Конушин А.С. Методы идентификации человека по походке в видео // Труды ИСП РАН. 2019. № 1. С. 1–16.
11. Хельвас А.В., Беляйкина Н.Г., Гиля-Зетинов А.А., Черникова Д.Д., Шабунин В.М., Япрынцев Е.О. Распознавание жестов с помощью нейронной сети и применение этого подхода для создания игровых гаджетов нового поколения // Труды МФТИ. 2017. № 2 (34). С. 1–8.
12. Teh P.S., Zhang N., Tan S.-Y., Shi Q., Khoh W.H., Nawaz R. Strengthen user authentication on mobile devices by using user’s touch dynamics pattern // Journal of Ambient Intelligence and Humanized Computing. 1 October 2020. V. 11. Is. 10. P. 4019–4039.
13. Zhang X., Yao L., Huang C., Gu T., Yang Z., Liu Y. DeepKey: A Multimodal Biometric Authentication System via Deep Decoding Gaits and Brainwaves // ACM Transactions on Intelligent Systems and Technology. July 2020. V. 11. Is. 4. 3393619.
14. Grecheneva A.V., Dorofeev N.V., Goryachev M.S. Estimation of human biomechanics during registration with a wearable device // Journal of Physics Conference Series. 2021. 2096(1). 012117. doi: 10.1088/1742-6596/2096/1/012117
15. Lu H., Huang J., Saha T., Nachman L. Unobtrusive gait verification for mobile phones // Proceedings of the 2014 ACM International Symposium on Wearable Computers, Seattle, WA, USA. 13–17 September 2014; P. 91–98.
16. Oguz A., Ertugrul O.F. Human identification based on accelerometer sensors obtained by mobile phone data // Biomedical Signal Processing and Control. 2022. V. 77. 103847. P. 1–10. doi: https://doi.org/10.1016/j.bspc.2022.103847
17. Tandon R., Javid P., Giulio I.D. Mobile phone use is detrimental for gait stability in young adults // Gati & Posture. 2021. V. 88. P. 37–41.
18. Pierce A., Ignasiak N.K., Eiteman-Pang W.K., Rakovsky C. Mobile phone sensors can discern medication-related gait quality changes in Parkinson’s patients in the home environment // Computer methods and programs in biomedicine update. 2021. V. 1. 100028. P. 1–8.
19. Lunardini F., Malavolti M., Pedrocchi A.L.G., Borghese N.A., Ferrante S. A mobile app to transparently distinguish single-from dual-task walking for the ecological monitoring of age-related changes in daily-life gait // Gait & Posture. 2021. V. 86. P. 27–32.
20. Аксенов А.Ю., Клишковская Т.А. Особенности влияния различных конструкций обуви на нагрузку медиальной части коленного сустава при использовании видеоанализа // Биомедицинская радиоэлектроника. 2016. № 8. С. 80–90.