初创实习-IMU模型

1. IMU 数据

一般由 6 轴或者 9 轴数据组成，单位是 g ，也是是重力加速度单位 1g=9.81 m/s2 。例子如以下所示：

csv 复制代码

,Acc_x,Acc_y,Acc_z,Gyro_x,Gyro_y,Gyro_z,Mag_x,Mag_y,Mag_z,label
0,-0.109497,-0.130493,-1.009521,-21.827697,2.431869,-17.713546,-45.6501,46.182479,-7.128815,Eating/Drinking
1,-0.109985,-0.087036,-1.02417,-18.714904,2.187729,-18.018722,-44.1501,46.632476,-4.578812,Eating/Drinking
2,-0.133423,-0.087036,-1.01001,-5.470276,-1.470566,-18.445968,-44.750106,47.532485,-4.428818,Eating/Drinking

1.1 三轴加速度 Acc_x,Acc_y,Acc_z

测量物体直线方向上的加速度，永远包含地球重力。它的作用如下：

判断倾斜角度（俯仰、横滚）
静止的时候，重力在三个轴上分配不一样。手机倾斜，Acc‑z、Acc‑x 读数就变，就能算出板子歪了多少度。

局限：只有静止 / 慢速时角度才准；一动起来有运动加速度，角度就不准了。

检测震动、冲击、跌落
突然摔下去，加速度会剧烈变化。比如猫咪跌倒检测、手环计步、碰撞报警。
计步、运动识别
走路、跑步时身体上下晃动，Acc_z 周期性起伏，就能数步数。
理论积分得到速度、位移（不推荐单用）
加速度积分 → 速度；速度再积分 → 位置。
❌ 致命缺点：噪声会快速累积漂移，几秒位置就完全跑偏。不能单独用 Acc 做定位。

加速度每列字段的含义：

字段	数值 > 0	数值 < 0	数值 ≈ 0	数值突然很高
Acc_x	沿 X 轴正向加速（如板子向右倾）	沿 X 轴负向加速（如板子向左倾）	X 方向无重力分量、无加速度	冲击 / 震动方向偏向 X 轴
Acc_y	沿 Y 轴正向加速（如前倾）	沿 Y 轴负向加速（如后倾）	Y 方向无重力分量、无加速度	冲击 / 震动方向偏向 Y 轴
Acc_z	Z 轴朝上，静止≈+9.81	Z 轴朝下，静止≈‑9.81	失重 / 自由下落瞬间	跳跃落地、撞击、剧烈抖动（如 20‑40）

1.2 三轴陀螺仪 Gyro_x,Gyro_y,Gyro_z

测量绕 X/Y/Z 轴转得有多快（角速度），作用如下：

捕捉瞬间旋转动作

快速扭头、翻身、转身，陀螺仪立刻读到转速。

例：猫咪快速甩头、无人机快速转弯。
积分算出旋转角度

角速度 × 时间 = 转过多少角度。

例：Gyro_x=50°/s，持续 0.2s → 绕 X 轴转了 10°

短时间内姿态非常精准
转动的一瞬间，陀螺仪比加速度计靠谱得多。

测量绕轴旋转的角速度，单位 rad/s 或 °/s；静止理想值≈0，正负代表转向

字段	数值 > 0	数值 < 0	数值 ≈ 0	数值突然很高
Gyro_x	绕 X 轴正向旋转（向前翻滚）	绕 X 轴反向旋转（向后翻滚）	无绕 X 轴转动	快速翻滚、翻身
Gyro_y	绕 Y 轴正向旋转（抬头）	绕 Y 轴反向旋转（低头）	无绕 Y 轴转动	猛地抬头 / 低头
Gyro_z	绕 Z 轴正向旋转（顺时针转头）	绕 Z 轴反向旋转（逆时针转头）	无水平转向	快速转头、转身

1.3 Acc 加速度和 Gyro 陀螺仪的融合

加速度计 Acc： 适合计算生物是否为 active（剧烈 Active 或者轻轻 Active，运动步数，摔倒次数，横移速度）；

个人运动计划也是这么来的；

陀螺仪 Gyro： 适合计算翻滚、掉头这些内容；

行为	依靠什么信号
猫咪安静趴着不动	Acc_z≈1g，所有 Gyro≈0
猫咪抬头低头	Gyro_y 出现峰值，Pitch 角度变化
猫咪左右扭头	Gyro_z 出现峰值，Yaw 变化
猫咪翻身打滚	Gyro_x 剧烈变化，Roll 大幅度摆动
猫咪奔跑跳跃	Acc 出现剧烈波动、冲击尖峰

2. IMU 数据预处理

2.1 下采样多数类

数据有一种情况，数据集天然不平衡，A 类目样本极多；B 类目样本极少。模型容易偷懒：一直预测大类，小类识别很差。

Resting 只留下原数据 10%；Walking 留下 30%

python 复制代码

# 下采样 Resting - 保留 10%
resting_mask = df['label'] == 'Resting'
resting_df = df[resting_mask].sample(frac=0.1, random_state=42)
# 下采样 Walking - 保留 30%
walking_mask = df['label'] == 'Walking'
walking_df = df[walking_mask].sample(frac=0.3, random_state=42)

2.2 过采样少数类

少数类样本太少，复制重复已有样本扩充数量

⚠️ 缺陷：简单重复过采样容易过拟合，模型死记硬背少数样本；更好方案：SMOTE 时序增强、窗口随机抖动、数据增强，而不是单纯复制。

json 复制代码

pooping_mask = df['label'] == 'Pooping/Urinating'
running_mask = df['label'] == 'Running'
scratching_mask = df['label'] == 'Scratching'
pooping_df = df[pooping_mask]
running_df = df[running_mask]
scratching_df = df[scratching_mask]

# 过采样（重复采样）
pooping_oversampled = pooping_df.sample(n=len(pooping_df)*4, replace=True, random_state=42)  # 5倍
running_oversampled = running_df.sample(n=len(running_df)*6, replace=True, random_state=42)  # 7倍
scratching_oversampled = scratching_df.sample(n=len(scratching_df)*2, replace=True, random_state=42)  # 3倍

结论： 这没啥用，容易直接过拟合；

2.3 取出 IMU 特征 + 标准化

对训练数据进行重采样：

如果你只用单独一行 6 个数字喂给模型，你只看见了某一个瞬时角速度，看不到上升、下降的完整波形，神经网络根本无法区分：抬头 / 低头 / 身体抖动。所以我们需要 window 来选取数据序列：

window_size = 40 代表：

一条训练样本 = 连续 40 行 IMU 数据

样本形状：(40, 6)

一条样本的时间间隔依靠 IMU 的采样率（我们的设备）：

IMU 数据的采样率 40Hz（每秒采集 50 次），一条数据间隔 0.025s；

所以，我们需要对 50Hz 的数据进行重采样，保证推理和训练的时间尺度一致：