Wie kann man Schiebernfenster für die Echtzeit-Aktivitätserkennung aus Sensordaten ordnungsgemäß implementieren? ⇐ Python

[Anonymous]

Wir entwickeln ein Echtzeit-Herbst-Erkennungssystem mit einem tragbaren Sensor (Beschleunigungsmesser und Gyroskop), der kontinuierliche Daten an Firebase sendet. Unser maschinelles Lernmodell wurde an 20-Sekunden-Datenfenstern trainiert, die bei 80 Hz gesammelt wurden (insgesamt 1600 Proben pro Fenster). Die Hauptherausforderung besteht darin, die Logik der Gleitfenster korrekt zu implementieren, um Sensordaten kontinuierlich zu sammeln und Echtzeitvorhersagen zu erstellen. /> Die Vorhersagen sind jedoch ungenau, und wir vermuten, dass unser Ansatz für das Schieben von Fenstern oder die Pufferung fehlerhaft sein könnte.BUFFER_SIZE = 1600 # 20 sec window at 80 Hz
STEP_INTERVAL = 5 # Predict every 5 seconds
data_buffer = deque(maxlen=BUFFER_SIZE)
last_prediction_time = time.time()

while True:
samples = fetch_from_firebase() # fetches new data batch (80 samples per second)

for sample in samples:
# Normalize and append each sensor sample to buffer
reading = np.array([
sample['ax'], sample['ay'], sample['az'],
sample['gx'], sample['gy'], sample['gz']
]) / 10000.0
data_buffer.append(reading)

# Prediction logic (every STEP_INTERVAL seconds, after buffer fills)
current_time = time.time()
if len(data_buffer) == BUFFER_SIZE and (current_time - last_prediction_time) >= STEP_INTERVAL:
window = np.array(data_buffer).reshape(1, -1)
window_scaled = scaler.transform(window)
prediction = model.predict(window_scaled)[0]

last_prediction_time = current_time
handle_prediction(prediction)
< /code>

• Ist dies die richtige Möglichkeit, kontinuierliche Schiebern für
  Echtzeit-Sensordaten zu implementieren? Daten effektiv für Vorhersagen?