Skip to content
Snippets Groups Projects
Commit 4239536b authored by Simon Adick's avatar Simon Adick
Browse files

refactor: Testdatenerzeugung weniger kompliziert

parent 46726c9a
No related branches found
No related tags found
No related merge requests found
%% Cell type:markdown id: tags:
# Charakterisierung der Daten
%% Cell type:code id: tags:
``` python
from korpus.read_csv import create_bewegung
```
%% Cell type:markdown id: tags:
## Gehen
Sensoren: 6 (Oberarm, Unterarm, Hand, Oberschenkel, Unterschenkel, Fuß)
%% Cell type:code id: tags:
``` python
print(create_bewegung('gehen').get_bewegung_data())
print(create_bewegung('gehen').get_characterisation())
```
%% Output
Typ: gehen
Anzahl an Messwertreihen: 6
Anzahl Messungen: 5360
Messzeit: 53.6 Sekunden
Sensor 1
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 9.652640755410449
Median: 9.413273499999999
Standardabweichung: 1.574509673907662
Maximum: 15.894361
Minimum: 5.613931
Acc_Y:
Mittelwert: 2.5293306123134327
Median: 2.5709400000000002
Standardabweichung: 0.9549195117913976
Maximum: 5.888631
Minimum: -0.777958
Acc_Z:
Mittelwert: 1.6572077442164177
Median: 1.9501330000000001
Standardabweichung: 1.4085868707038929
Maximum: 6.543728
Minimum: -1.892178
Gyr_X:
Mittelwert: -0.5898663054104477
Median: -0.5558270000000001
Standardabweichung: 0.7167440555186869
Maximum: 1.831701
Minimum: -3.583374
Gyr_Y:
Mittelwert: -0.11550484552238807
Median: -0.0723725
Standardabweichung: 0.6082374987989206
Maximum: 1.168841
Minimum: -1.880393
Gyr_Z:
Mittelwert: -0.13576950167910448
Median: -0.0807535
Standardabweichung: 0.9405128283636347
Maximum: 1.877548
Minimum: -2.113421
Mag_X:
Mittelwert: -0.651742591044776
Median: -0.691162
Standardabweichung: 0.13537562884960266
Maximum: -0.185303
Minimum: -0.847656
Mag_Y:
Mittelwert: -0.07668652593283583
Median: -0.084595
Standardabweichung: 0.237979045001775
Maximum: 0.577393
Minimum: -0.57959
Mag_Z:
Mittelwert: -0.2447558557835821
Median: -0.250488
Standardabweichung: 0.22721910707087534
Maximum: 0.221924
Minimum: -0.929688
Sensor 2
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 11.098261000186566
Median: 10.154486
Standardabweichung: 3.8667860714509352
Maximum: 22.125832
Minimum: 2.1692
Acc_Y:
Mittelwert: 0.7803365244402986
Median: 0.9876095
Standardabweichung: 3.49645010440196
Maximum: 22.275814
Minimum: -24.342536
Acc_Z:
Mittelwert: -1.995615451119403
Median: -1.3189815
Standardabweichung: 4.894182781262009
Maximum: 31.269457
Minimum: -18.805986
Gyr_X:
Mittelwert: -0.4824601608208955
Median: -0.22473949999999998
Standardabweichung: 1.0433930066194192
Maximum: 2.181806
Minimum: -6.134417
Gyr_Y:
Mittelwert: 0.005769491791044784
Median: -0.729231
Standardabweichung: 2.1717466182707956
Maximum: 5.3972
Minimum: -2.714043
Gyr_Z:
Mittelwert: -0.002544871641791047
Median: 0.2450415
Standardabweichung: 1.4367503329976425
Maximum: 2.740805
Minimum: -4.080436
Mag_X:
Mittelwert: -0.6336434488805971
Median: -0.6290279999999999
Standardabweichung: 0.1290013834890191
Maximum: -0.206543
Minimum: -0.970703
Mag_Y:
Mittelwert: 0.04783812667910448
Median: 0.01001
Standardabweichung: 0.32107196121770754
Maximum: 1.119385
Minimum: -0.45874
Mag_Z:
Mittelwert: 0.028156155410447765
Median: 0.030029
Standardabweichung: 0.30854006619828866
Maximum: 0.646973
Minimum: -0.876709
Sensor 3
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 9.076434037313433
Median: 5.879258
Standardabweichung: 7.363835872178156
Maximum: 42.06394
Minimum: -19.655595
Acc_Y:
Mittelwert: 1.9292389638059702
Median: 1.40537
Standardabweichung: 4.819393245006355
Maximum: 41.203428
Minimum: -29.574385
Acc_Z:
Mittelwert: 7.992544296455224
Median: 8.182054
Standardabweichung: 6.028621102809182
Maximum: 24.918998
Minimum: -24.183075
Gyr_X:
Mittelwert: -0.30087755820895523
Median: -0.046656500000000004
Standardabweichung: 0.8715210502916558
Maximum: 2.995652
Minimum: -8.342964
Gyr_Y:
Mittelwert: -0.0177403343283582
Median: -0.1419755
Standardabweichung: 3.1584953700960283
Maximum: 5.778829
Minimum: -7.566679
Gyr_Z:
Mittelwert: -0.31471653059701493
Median: 0.023184
Standardabweichung: 1.3783344892771785
Maximum: 2.672358
Minimum: -4.727001
Mag_X:
Mittelwert: -0.46474805037313427
Median: -0.480835
Standardabweichung: 0.23194211179079813
Maximum: 0.183838
Minimum: -0.939697
Mag_Y:
Mittelwert: 0.05430739776119404
Median: -0.01416
Standardabweichung: 0.30972064072464595
Maximum: 1.218018
Minimum: -0.449707
Mag_Z:
Mittelwert: -0.44636075876865666
Median: -0.46594199999999997
Standardabweichung: 0.2758463421032966
Maximum: 0.441406
Minimum: -1.144775
Sensor 4
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 10.088179548320895
Median: 10.02328
Standardabweichung: 3.703840515656719
Maximum: 26.349742
Minimum: -5.713312
Acc_Y:
Mittelwert: 1.0329632832089553
Median: 1.0851215
Standardabweichung: 2.9910633936849256
Maximum: 13.169542
Minimum: -15.572609
Acc_Z:
Mittelwert: -0.10896807537313433
Median: -0.8129725
Standardabweichung: 4.549393505316364
Maximum: 17.343099
Minimum: -27.139354
Gyr_X:
Mittelwert: -0.5481321850746268
Median: -0.5266705
Standardabweichung: 0.9962560650461377
Maximum: 2.05108
Minimum: -6.26862
Gyr_Y:
Mittelwert: -0.029987791604477607
Median: -0.3542645
Standardabweichung: 1.2159535487615352
Maximum: 2.802712
Minimum: -2.065345
Gyr_Z:
Mittelwert: -0.10889901791044777
Median: -0.045163999999999996
Standardabweichung: 0.4930987462864544
Maximum: 0.822207
Minimum: -1.398281
Mag_X:
Mittelwert: -0.648849031716418
Median: -0.648682
Standardabweichung: 0.07008670901046528
Maximum: -0.389404
Minimum: -0.782959
Mag_Y:
Mittelwert: 0.011931782835820894
Median: -0.000244
Standardabweichung: 0.2524812564084622
Maximum: 0.62207
Minimum: -0.367188
Mag_Z:
Mittelwert: 0.00019289291044776152
Median: -0.0025635
Standardabweichung: 0.24848357084714506
Maximum: 0.553467
Minimum: -0.473633
Sensor 5
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 9.738029497947762
Median: 9.363733
Standardabweichung: nan
Maximum: 15.704813
Minimum: 5.616062
Acc_Y:
Mittelwert: -0.9461224248134328
Median: -0.81365
Standardabweichung: nan
Maximum: 3.414865
Minimum: -6.605726
Acc_Z:
Mittelwert: 1.581037496828358
Median: 1.92262
Standardabweichung: nan
Maximum: 5.322775
Minimum: -2.784303
Gyr_X:
Mittelwert: -0.612183039738806
Median: -0.526297
Standardabweichung: nan
Maximum: 2.303194
Minimum: -3.460097
Gyr_Y:
Mittelwert: 0.10442881641791045
Median: 0.071791
Standardabweichung: nan
Maximum: 1.792799
Minimum: -1.320932
Gyr_Z:
Mittelwert: -0.1124679160447761
Median: -0.20373249999999998
Standardabweichung: nan
Maximum: 1.771222
Minimum: -2.050525
Mag_X:
Mittelwert: -0.5928848936567164
Median: -0.624023
Standardabweichung: nan
Maximum: 0.029053
Minimum: -0.799072
Mag_Y:
Mittelwert: 0.04448410988805971
Median: 0.060669
Standardabweichung: nan
Maximum: 0.471924
Minimum: -0.417236
Mag_Z:
Mittelwert: -0.149905901119403
Median: -0.164307
Standardabweichung: nan
Maximum: 0.25415
Minimum: -0.521484
Sensor 6
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 9.953992685447762
Median: 9.6252765
Standardabweichung: 1.5270606366011061
Maximum: 16.264353
Minimum: 6.588316
Acc_Y:
Mittelwert: 2.9903479856343282
Median: 2.8915575000000002
Standardabweichung: 1.2221637180514988
Maximum: 8.760453
Minimum: -1.262727
Acc_Z:
Mittelwert: 0.49782886865671644
Median: 0.5776595
Standardabweichung: 1.3389991648532797
Maximum: 4.931134
Minimum: -3.658151
Gyr_X:
Mittelwert: -0.5660209611940299
Median: -0.5619475
Standardabweichung: 0.8463196155939803
Maximum: 4.160778
Minimum: -4.208051
Gyr_Y:
Mittelwert: -0.1862410796641791
Median: -0.157274
Standardabweichung: 0.7502901695682557
Maximum: 3.552244
Minimum: -2.881287
Gyr_Z:
Mittelwert: -0.09799088097014924
Median: -0.06293750000000001
Standardabweichung: 1.2407813098114067
Maximum: 2.746931
Minimum: -3.391302
Mag_X:
Mittelwert: -0.5795243416044776
Median: -0.624268
Standardabweichung: 0.13421839897726692
Maximum: -0.119629
Minimum: -0.776123
Mag_Y:
Mittelwert: -0.2080363673507463
Median: -0.22155799999999998
Standardabweichung: 0.23480940173934353
Maximum: 0.359619
Minimum: -0.703613
Mag_Z:
Mittelwert: -0.0924643942164179
Median: -0.0823975
Standardabweichung: 0.23929284243081742
Maximum: 0.411133
Minimum: -0.740479
%% Cell type:markdown id: tags:
## Joggen
Sensoren: 6 (Oberarm, Unterarm, Hand, Oberschenkel, Unterschenkel, Fuß)
%% Cell type:code id: tags:
``` python
print(create_bewegung('joggen').get_bewegung_data())
print(create_bewegung('joggen').get_characterisation())
```
%% Output
Typ: joggen
Anzahl an Messwertreihen: 6
Anzahl Messungen: 6442
Messzeit: 64.42 Sekunden
Sensor 1
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 6.623082501707544
Median: 7.1270145
Standardabweichung: 9.92424823151479
Maximum: 50.073411
Minimum: -24.533069
Acc_Y:
Mittelwert: 11.879097994877368
Median: 9.576483
Standardabweichung: 11.320974465955107
Maximum: 64.06409
Minimum: -10.317888
Acc_Z:
Mittelwert: 0.928383731294629
Median: 1.7498879999999999
Standardabweichung: 4.558565148669157
Maximum: 13.307942
Minimum: -18.633993
Gyr_X:
Mittelwert: -0.2709997693262962
Median: -0.295211
Standardabweichung: 1.9135975814115243
Maximum: 6.581365
Minimum: -8.866032
Gyr_Y:
Mittelwert: -1.028963197609438
Median: -0.9700774999999999
Standardabweichung: 1.4169288392353399
Maximum: 3.799153
Minimum: -6.701995
Gyr_Z:
Mittelwert: -0.47735409686432784
Median: -0.5704425
Standardabweichung: 4.244505337764335
Maximum: 12.703589
Minimum: -12.440665
Mag_X:
Mittelwert: -0.3266945659733002
Median: -0.399902
Standardabweichung: 0.33350791658120255
Maximum: 0.549316
Minimum: -0.826904
Mag_Y:
Mittelwert: -0.42591609562247745
Median: -0.466064
Standardabweichung: 0.23961759958595275
Maximum: 0.38501
Minimum: -0.831299
Mag_Z:
Mittelwert: -0.33672862697919903
Median: -0.343018
Standardabweichung: 0.2118385991267028
Maximum: 0.192139
Minimum: -0.794434
Sensor 2
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 13.700926558832661
Median: 12.4308675
Standardabweichung: 11.135883729750265
Maximum: 129.452485
Minimum: -39.726161
Acc_Y:
Mittelwert: -0.8577287202732071
Median: -0.292534
Standardabweichung: 10.189149937121323
Maximum: 77.317802
Minimum: -74.335002
Acc_Z:
Mittelwert: -6.3252702517851604
Median: -5.5563804999999995
Standardabweichung: 12.19798288931805
Maximum: 50.454295
Minimum: -126.082925
Gyr_X:
Mittelwert: -0.816103985253027
Median: -0.773058
Standardabweichung: 2.144546102232564
Maximum: 9.806432
Minimum: -14.940131
Gyr_Y:
Mittelwert: 0.2906757635827383
Median: -0.52878
Standardabweichung: 3.7200098336187146
Maximum: 9.147966
Minimum: -9.370892
Gyr_Z:
Mittelwert: 0.07936260245265445
Median: 0.7040095
Standardabweichung: 2.0801284354299083
Maximum: 4.513366
Minimum: -5.70899
Mag_X:
Mittelwert: -0.5602074552933872
Median: -0.588135
Standardabweichung: 0.17767536922258761
Maximum: 0.34082
Minimum: -0.868164
Mag_Y:
Mittelwert: 0.19799611036945045
Median: 0.158447
Standardabweichung: 0.3420144305064454
Maximum: 1.34375
Minimum: -0.425537
Mag_Z:
Mittelwert: 0.18114609686432787
Median: 0.217529
Standardabweichung: 0.2895009110968796
Maximum: 0.722168
Minimum: -0.724365
Sensor 3
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 16.689810753647937
Median: 12.873037
Standardabweichung: 21.99502299179378
Maximum: 153.417408
Minimum: -128.671367
Acc_Y:
Mittelwert: 3.960097511176653
Median: 3.0091390000000002
Standardabweichung: 18.65774354301681
Maximum: 147.468784
Minimum: -118.850217
Acc_Z:
Mittelwert: 9.094165053710027
Median: 9.83275
Standardabweichung: 18.068035952715807
Maximum: 134.1491
Minimum: -125.225562
Gyr_X:
Mittelwert: -0.31486878391803785
Median: -0.103024
Standardabweichung: 3.1914037199538843
Maximum: 21.883733
Minimum: -23.529672
Gyr_Y:
Mittelwert: 0.2271942159267308
Median: -0.042138499999999995
Standardabweichung: 5.994560483469186
Maximum: 18.271602
Minimum: -23.545601
Gyr_Z:
Mittelwert: -0.3020447090965539
Median: 0.2634245
Standardabweichung: 2.473554333480763
Maximum: 5.7456
Minimum: -8.744195
Mag_X:
Mittelwert: -0.48321035128841977
Median: -0.544189
Standardabweichung: 0.23277428739993705
Maximum: 0.226318
Minimum: -1.004883
Mag_Y:
Mittelwert: 0.10229541415709406
Median: 0.015015
Standardabweichung: 0.3810594480625974
Maximum: 1.743164
Minimum: -0.456299
Mag_Z:
Mittelwert: -0.3161087868674325
Median: -0.410156
Standardabweichung: 0.3748628062173625
Maximum: 0.722168
Minimum: -1.133057
Sensor 4
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 11.995616349891337
Median: 8.5356255
Standardabweichung: 19.502817397814148
Maximum: 145.648045
Minimum: -66.679221
Acc_Y:
Mittelwert: 2.2131241960571253
Median: 2.4003885
Standardabweichung: 12.7478467178023
Maximum: 100.037404
Minimum: -65.437384
Acc_Z:
Mittelwert: -1.1093595498292455
Median: -3.0365504999999997
Standardabweichung: 12.038127770042909
Maximum: 98.739498
Minimum: -78.498081
Gyr_X:
Mittelwert: -0.9596606477801926
Median: -1.025343
Standardabweichung: 2.7991393326491636
Maximum: 15.888317
Minimum: -15.306368
Gyr_Y:
Mittelwert: 0.08025685749767153
Median: 0.07979649999999999
Standardabweichung: 2.5399644278917446
Maximum: 8.585749
Minimum: -9.401973
Gyr_Z:
Mittelwert: -0.19332598680533997
Median: -0.18082900000000002
Standardabweichung: 1.5588892916255457
Maximum: 3.61242
Minimum: -7.564662
Mag_X:
Mittelwert: -0.6521851064886681
Median: -0.653076
Standardabweichung: 0.09068294890643866
Maximum: -0.240234
Minimum: -0.90625
Mag_Y:
Mittelwert: 0.03767776994722135
Median: 0.03418
Standardabweichung: 0.2693002845999849
Maximum: 0.705566
Minimum: -0.476807
Mag_Z:
Mittelwert: -0.0521419161751009
Median: -0.057739
Standardabweichung: 0.25299578919180593
Maximum: 0.580078
Minimum: -0.623779
Sensor 5
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 11.097829884973612
Median: 9.540808
Standardabweichung: 10.180113812875755
Maximum: 56.274493
Minimum: -6.056833
Acc_Y:
Mittelwert: -3.7090792842285003
Median: -4.9567405
Standardabweichung: 7.989401526533802
Maximum: 23.736506
Minimum: -41.84475
Acc_Z:
Mittelwert: -0.06963648385594533
Median: 0.271438
Standardabweichung: 4.264020882743602
Maximum: 13.2498
Minimum: -21.018286
Gyr_X:
Mittelwert: -0.9593746139397703
Median: -0.8207165
Standardabweichung: 2.114427455826874
Maximum: 5.3149
Minimum: -9.580709
Gyr_Y:
Mittelwert: 0.45918238373176035
Median: 0.414473
Standardabweichung: 1.3837303357358632
Maximum: 7.535062
Minimum: -3.74932
Gyr_Z:
Mittelwert: -0.33387007451102146
Median: 0.37220949999999997
Standardabweichung: 2.5411765737990355
Maximum: 6.169629
Minimum: -10.651186
Mag_X:
Mittelwert: -0.5062464299906861
Median: -0.5386960000000001
Standardabweichung: 0.1908864799566468
Maximum: 0.125244
Minimum: -0.831543
Mag_Y:
Mittelwert: 0.2763344067059919
Median: 0.291016
Standardabweichung: 0.21164859306272574
Maximum: 0.705078
Minimum: -0.354736
Mag_Z:
Mittelwert: -0.22908746817758457
Median: -0.213135
Standardabweichung: 0.19885896373528236
Maximum: 0.220947
Minimum: -0.683105
Sensor 6
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 6.583584314188141
Median: 8.629962
Standardabweichung: 10.864224226314736
Maximum: 61.051941
Minimum: -26.305362
Acc_Y:
Mittelwert: 13.725636546414156
Median: 10.158738
Standardabweichung: 16.30241954305584
Maximum: 77.5097
Minimum: -27.211643
Acc_Z:
Mittelwert: -3.2384707269481527
Median: -2.235465
Standardabweichung: 6.401057835229263
Maximum: 13.732417
Minimum: -30.151144
Gyr_X:
Mittelwert: 0.2189921407947842
Median: 0.26083449999999997
Standardabweichung: 1.8800261273748429
Maximum: 7.472634
Minimum: -7.139872
Gyr_Y:
Mittelwert: -1.1486903550139707
Median: -1.4329665
Standardabweichung: 2.2057307639152413
Maximum: 7.781208
Minimum: -9.152713
Gyr_Z:
Mittelwert: -0.023357239521887625
Median: -0.1118135
Standardabweichung: 4.4413722029641285
Maximum: 14.681114
Minimum: -13.504292
Mag_X:
Mittelwert: -0.07390696057125117
Median: -0.144531
Standardabweichung: 0.36956281706380817
Maximum: 0.796387
Minimum: -0.758789
Mag_Y:
Mittelwert: -0.6193807410742006
Median: -0.645142
Standardabweichung: 0.1504839985239204
Maximum: 0.146973
Minimum: -0.846191
Mag_Z:
Mittelwert: -0.05112744970506054
Median: -0.06311
Standardabweichung: 0.23970726078933677
Maximum: 0.55542
Minimum: -0.601074
%% Cell type:markdown id: tags:
## Jumping-Jacks
Sensoren: 6 (Oberarm, Unterarm, Hand, Oberschenkel, Unterschenkel, Fuß)
%% Cell type:code id: tags:
``` python
print(create_bewegung('jumpingjack').get_bewegung_data())
print(create_bewegung('jumpingjack').get_characterisation())
```
%% Output
Typ: jumpingjack
Anzahl an Messwertreihen: 6
Anzahl Messungen: 6073
Messzeit: 60.73 Sekunden
Sensor 1
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 15.66306660250288
Median: 15.773373
Standardabweichung: 14.563329605671095
Maximum: 133.363069
Minimum: -35.631186
Acc_Y:
Mittelwert: 2.9468361699324883
Median: 6.074462
Standardabweichung: 17.328110354199698
Maximum: 113.567848
Minimum: -62.64732
Acc_Z:
Mittelwert: 1.7313072390910589
Median: -1.682071
Standardabweichung: 12.349183065909623
Maximum: 147.100128
Minimum: -20.209219
Gyr_X:
Mittelwert: 0.44992724847686477
Median: 0.274724
Standardabweichung: 2.9310358934249177
Maximum: 21.115933
Minimum: -18.26101
Gyr_Y:
Mittelwert: -0.3985753703276799
Median: -0.613861
Standardabweichung: 3.2854522909303614
Maximum: 6.26248
Minimum: -8.30142
Gyr_Z:
Mittelwert: -0.2708532970525276
Median: -0.549235
Standardabweichung: 6.166041448412362
Maximum: 12.234806
Minimum: -11.586036
Mag_X:
Mittelwert: -0.08490207903836654
Median: -0.156982
Standardabweichung: 0.6013481282671801
Maximum: 0.774414
Minimum: -0.839844
Mag_Y:
Mittelwert: -0.2974824753828421
Median: -0.300537
Standardabweichung: 0.2819078002910035
Maximum: 0.327881
Minimum: -0.773193
Mag_Z:
Mittelwert: -0.22399867890663594
Median: -0.302002
Standardabweichung: 0.25546216283200784
Maximum: 0.407471
Minimum: -0.660156
Sensor 2
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 10.457378421537955
Median: 5.746019
Standardabweichung: 11.7348665358051
Maximum: 87.455402
Minimum: -25.799497
Acc_Y:
Mittelwert: -2.3950169833690107
Median: -2.985699
Standardabweichung: 13.056463989275846
Maximum: 96.389226
Minimum: -83.982203
Acc_Z:
Mittelwert: -3.0056150492343154
Median: -1.697445
Standardabweichung: 12.565428199249435
Maximum: 54.538716
Minimum: -112.517197
Gyr_X:
Mittelwert: 0.030413224436028327
Median: 0.030896
Standardabweichung: 2.753440694612171
Maximum: 10.495277
Minimum: -14.066262
Gyr_Y:
Mittelwert: -0.013834879960480818
Median: 0.065421
Standardabweichung: 1.9718512550872354
Maximum: 4.064256
Minimum: -6.127368
Gyr_Z:
Mittelwert: 0.048987398979087764
Median: -0.044185
Standardabweichung: 1.5308178067775018
Maximum: 7.13032
Minimum: -3.964381
Mag_X:
Mittelwert: -0.6634033607772106
Median: -0.681641
Standardabweichung: 0.0674987327280745
Maximum: -0.482666
Minimum: -0.770508
Mag_Y:
Mittelwert: -0.22611586662275646
Median: -0.260986
Standardabweichung: 0.1296541246946274
Maximum: 0.106201
Minimum: -0.44165
Mag_Z:
Mittelwert: 0.3138516403754323
Median: 0.296143
Standardabweichung: 0.12312649445879187
Maximum: 0.608154
Minimum: 0.024902
Sensor 3
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 7.755553836818706
Median: 4.324434
Standardabweichung: 18.531886498209417
Maximum: 151.15699
Minimum: -86.970574
Acc_Y:
Mittelwert: 0.16448569010373792
Median: 0.522273
Standardabweichung: 21.484718686972744
Maximum: 118.061569
Minimum: -156.961396
Acc_Z:
Mittelwert: 6.59496818821011
Median: 8.38047
Standardabweichung: 10.461626667748146
Maximum: 66.418102
Minimum: -94.499132
Gyr_X:
Mittelwert: -0.006960074098468629
Median: 0.051977
Standardabweichung: 3.440081453948572
Maximum: 17.957307
Minimum: -31.878684
Gyr_Y:
Mittelwert: -0.03941871546188046
Median: -0.333761
Standardabweichung: 3.237112498012185
Maximum: 18.346031
Minimum: -9.053326
Gyr_Z:
Mittelwert: 0.0615301136176519
Median: -0.026036
Standardabweichung: 2.991251797323846
Maximum: 11.294178
Minimum: -11.23336
Mag_X:
Mittelwert: -0.5926979792524287
Median: -0.618652
Standardabweichung: 0.10081121312987121
Maximum: -0.288574
Minimum: -0.784668
Mag_Y:
Mittelwert: -0.3210083428289149
Median: -0.340332
Standardabweichung: 0.10973021165827226
Maximum: 0.123779
Minimum: -0.629395
Mag_Z:
Mittelwert: -0.3463506430100445
Median: -0.344727
Standardabweichung: 0.12167452017463343
Maximum: 0.026855
Minimum: -0.591064
Sensor 4
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 10.159888640375431
Median: 4.221513
Standardabweichung: 14.27811747188131
Maximum: 108.969291
Minimum: -22.956774
Acc_Y:
Mittelwert: 0.3644120610900708
Median: 0.833512
Standardabweichung: 11.901004550815692
Maximum: 98.272788
Minimum: -105.474344
Acc_Z:
Mittelwert: 0.9174171340358966
Median: 1.037099
Standardabweichung: 7.13708369650236
Maximum: 51.729356
Minimum: -54.127971
Gyr_X:
Mittelwert: 0.020361551951259674
Median: 0.011839
Standardabweichung: 2.27259965331247
Maximum: 9.31257
Minimum: -13.951377
Gyr_Y:
Mittelwert: -0.005137818376420225
Median: 0.049575
Standardabweichung: 1.2532303413782695
Maximum: 5.210361
Minimum: -4.307241
Gyr_Z:
Mittelwert: 0.006192762555573853
Median: 0.175399
Standardabweichung: 1.2119018465801108
Maximum: 2.782092
Minimum: -5.203565
Mag_X:
Mittelwert: -0.6841568050386959
Median: -0.693848
Standardabweichung: 0.06087332985664148
Maximum: -0.545166
Minimum: -0.776855
Mag_Y:
Mittelwert: -0.30711129622921124
Median: -0.293945
Standardabweichung: 0.10137235542694725
Maximum: -0.100098
Minimum: -0.52832
Mag_Z:
Mittelwert: 0.19423229985180304
Median: 0.206543
Standardabweichung: 0.08958119671077673
Maximum: 0.435547
Minimum: -0.060547
Sensor 5
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 6.723911820187715
Median: 6.492461
Standardabweichung: 15.480782733394001
Maximum: 80.065492
Minimum: -44.464042
Acc_Y:
Mittelwert: 0.27452330248641527
Median: 0.392542
Standardabweichung: 7.258294718626494
Maximum: 46.980895
Minimum: -74.695029
Acc_Z:
Mittelwert: 3.501333892310226
Median: 0.874098
Standardabweichung: 8.531612526228367
Maximum: 44.773251
Minimum: -20.58248
Gyr_X:
Mittelwert: 0.29328674098468627
Median: 0.179422
Standardabweichung: 2.400419515629218
Maximum: 11.408908
Minimum: -15.181684
Gyr_Y:
Mittelwert: -0.27775690153136834
Median: -0.421753
Standardabweichung: 3.553343963659148
Maximum: 6.260053
Minimum: -10.290692
Gyr_Z:
Mittelwert: -0.20384131071957848
Median: -0.08302
Standardabweichung: 3.793513001505297
Maximum: 6.593223
Minimum: -7.888599
Mag_X:
Mittelwert: -0.3000990434711016
Median: -0.431152
Standardabweichung: 0.4156592762566276
Maximum: 0.523193
Minimum: -0.763672
Mag_Y:
Mittelwert: -0.38973189576815415
Median: -0.46167
Standardabweichung: 0.22613830637248886
Maximum: 0.100586
Minimum: -0.772461
Mag_Z:
Mittelwert: -0.243501268565783
Median: -0.377197
Standardabweichung: 0.27963001533573134
Maximum: 0.418213
Minimum: -0.639893
Sensor 6
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 26.083232912069818
Median: 26.504791
Standardabweichung: 14.283404497630409
Maximum: 127.660671
Minimum: -65.249985
Acc_Y:
Mittelwert: 6.772748916186399
Median: 6.537036
Standardabweichung: 24.22333413571177
Maximum: 159.045394
Minimum: -97.531484
Acc_Z:
Mittelwert: -2.931196758438992
Median: -8.156147
Standardabweichung: 17.12526075911043
Maximum: 120.489183
Minimum: -72.608706
Gyr_X:
Mittelwert: 0.6407635149020253
Median: 0.610935
Standardabweichung: 2.8157170966874703
Maximum: 21.474009
Minimum: -18.279682
Gyr_Y:
Mittelwert: -0.4221296407047588
Median: -0.813723
Standardabweichung: 2.84183970741322
Maximum: 11.597493
Minimum: -10.491117
Gyr_Z:
Mittelwert: 0.05378303243866292
Median: -0.829323
Standardabweichung: 7.387130616203075
Maximum: 15.134297
Minimum: -11.906077
Mag_X:
Mittelwert: 0.030525133871233325
Median: 0.005371
Standardabweichung: 0.6133842881674938
Maximum: 0.825439
Minimum: -0.773193
Mag_Y:
Mittelwert: -0.29455548065206655
Median: -0.293701
Standardabweichung: 0.3682323807514869
Maximum: 0.495605
Minimum: -0.881836
Mag_Z:
Mittelwert: 0.16111866260497282
Median: 0.188721
Standardabweichung: 0.18728977190849333
Maximum: 0.577637
Minimum: -0.341064
%% Cell type:markdown id: tags:
## Kniebeugen
Sensoren: 6 (Oberarm, Unterarm, Hand, Oberschenkel, Unterschenkel, Fuß)
%% Cell type:code id: tags:
``` python
print(create_bewegung('kniebeuge').get_bewegung_data())
print(create_bewegung('kniebeuge').get_characterisation())
```
%% Output
Typ: kniebeuge
Anzahl an Messwertreihen: 6
Anzahl Messungen: 6068
Messzeit: 60.68 Sekunden
Sensor 1
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 0.5562637523071853
Median: 0.958861
Standardabweichung: 7.001471588890908
Maximum: 15.923687
Minimum: -11.536918
Acc_Y:
Mittelwert: 5.724721714897824
Median: 5.8219484999999995
Standardabweichung: 2.2028715536382713
Maximum: 14.861528
Minimum: -3.570349
Acc_Z:
Mittelwert: 3.746683571028346
Median: 3.1601540000000004
Standardabweichung: 2.1078823815065713
Maximum: 9.255244
Minimum: -0.421938
Gyr_X:
Mittelwert: 0.009931610909690183
Median: -0.0189315
Standardabweichung: 0.6993994502043827
Maximum: 6.267217
Minimum: -3.564326
Gyr_Y:
Mittelwert: -0.012322981872116015
Median: -0.022875
Standardabweichung: 0.7509805667405159
Maximum: 2.209488
Minimum: -2.4606
Gyr_Z:
Mittelwert: -0.045028589321028364
Median: -0.0050895
Standardabweichung: 2.5036109084867513
Maximum: 6.716057
Minimum: -5.846218
Mag_X:
Mittelwert: 0.10740384657218194
Median: 0.300537
Standardabweichung: 0.5711751191949657
Maximum: 0.77002
Minimum: -0.810791
Mag_Y:
Mittelwert: -0.46837980652603817
Median: -0.452881
Standardabweichung: 0.19117683437510077
Maximum: -0.05835
Minimum: -0.794922
Mag_Z:
Mittelwert: -0.04747919495715227
Median: -0.07373
Standardabweichung: 0.10911519294644671
Maximum: 0.249756
Minimum: -0.262451
Sensor 2
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 8.660490553394858
Median: 8.7118675
Standardabweichung: 1.3682030812927104
Maximum: 22.299463
Minimum: 2.513458
Acc_Y:
Mittelwert: -1.7509413398154252
Median: -2.0504534999999997
Standardabweichung: 1.3435323691089267
Maximum: 3.960673
Minimum: -6.777897
Acc_Z:
Mittelwert: -3.1243091107448913
Median: -3.9153295000000004
Standardabweichung: 2.716661757175429
Maximum: 6.260822
Minimum: -11.889651
Gyr_X:
Mittelwert: 0.0020974159525379054
Median: 0.0056784999999999995
Standardabweichung: 0.2541468661472151
Maximum: 1.488096
Minimum: -2.018088
Gyr_Y:
Mittelwert: -0.01374425807514832
Median: -0.1703815
Standardabweichung: 0.7759310879955068
Maximum: 1.853276
Minimum: -1.264246
Gyr_Z:
Mittelwert: -0.0026466277191825958
Median: 0.08000550000000001
Standardabweichung: 0.32357489392533667
Maximum: 0.635622
Minimum: -0.97532
Mag_X:
Mittelwert: -0.5875759897824654
Median: -0.601807
Standardabweichung: 0.07666503904159053
Maximum: -0.435547
Minimum: -0.692139
Mag_Y:
Mittelwert: -0.22137382432432434
Median: -0.20459
Standardabweichung: 0.07683807835618976
Maximum: -0.081543
Minimum: -0.366699
Mag_Z:
Mittelwert: 0.36160083141067895
Median: 0.3947755
Standardabweichung: 0.16584497164016182
Maximum: 0.596436
Minimum: 0.074219
Sensor 3
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 5.32368434212261
Median: 5.3109715
Standardabweichung: 0.5436685643091586
Maximum: 24.874988
Minimum: 0.040563
Acc_Y:
Mittelwert: 0.39904444808833217
Median: 0.414348
Standardabweichung: 0.45735439528323263
Maximum: 4.351051
Minimum: -4.639363
Acc_Z:
Mittelwert: 8.328904825972314
Median: 8.3581435
Standardabweichung: 0.345301981038506
Maximum: 11.79674
Minimum: 1.544435
Gyr_X:
Mittelwert: 0.007992352669742913
Median: 0.0130405
Standardabweichung: 0.08594002633919792
Maximum: 0.824722
Minimum: -1.69601
Gyr_Y:
Mittelwert: 0.002431911008569545
Median: 0.0049765
Standardabweichung: 0.13341218776841973
Maximum: 1.264164
Minimum: -1.379578
Gyr_Z:
Mittelwert: 0.0013050032959789053
Median: -0.0038269999999999997
Standardabweichung: 0.12221155793550356
Maximum: 0.700771
Minimum: -3.091737
Mag_X:
Mittelwert: -0.4609942267633487
Median: -0.46167
Standardabweichung: 0.015604802503055954
Maximum: -0.378906
Minimum: -0.509766
Mag_Y:
Mittelwert: -0.32769324868160843
Median: -0.330811
Standardabweichung: 0.014850623158899345
Maximum: -0.268066
Minimum: -0.372559
Mag_Z:
Mittelwert: -0.4806860525708635
Median: -0.480469
Standardabweichung: 0.011261801786065907
Maximum: -0.436035
Minimum: -0.523438
Sensor 4
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 7.201530576137112
Median: 7.3779129999999995
Standardabweichung: 2.5048573485361683
Maximum: 18.336353
Minimum: 1.00066
Acc_Y:
Mittelwert: 2.0323388569545155
Median: 2.2888845
Standardabweichung: 2.5713046445713266
Maximum: 11.632618
Minimum: -7.622398
Acc_Z:
Mittelwert: 4.894129409030982
Median: 4.727278
Standardabweichung: 3.9292702569802946
Maximum: 13.13434
Minimum: -5.211757
Gyr_X:
Mittelwert: 0.029760849703361902
Median: 0.000567
Standardabweichung: 0.3798733403752978
Maximum: 1.892568
Minimum: -1.935929
Gyr_Y:
Mittelwert: 0.041720005438365196
Median: 0.2483475
Standardabweichung: 1.3457951698572301
Maximum: 2.49853
Minimum: -2.70556
Gyr_Z:
Mittelwert: -0.02134933800263679
Median: -0.15254849999999998
Standardabweichung: 0.6675647744871327
Maximum: 1.522265
Minimum: -1.489641
Mag_X:
Mittelwert: -0.5243115838826632
Median: -0.592041
Standardabweichung: 0.16257928538423969
Maximum: -0.193604
Minimum: -0.709473
Mag_Y:
Mittelwert: -0.4537293203691497
Median: -0.489014
Standardabweichung: 0.13430784572129242
Maximum: -0.21875
Minimum: -0.640381
Mag_Z:
Mittelwert: -0.0501373005932762
Median: -0.096924
Standardabweichung: 0.25818345314924884
Maximum: 0.371094
Minimum: -0.420898
Sensor 5
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 9.117344128048781
Median: 9.436789000000001
Standardabweichung: 2.022347538832229
Maximum: 14.682469
Minimum: 2.774312
Acc_Y:
Mittelwert: 1.3405641849044168
Median: 1.431013
Standardabweichung: 1.6588224423072238
Maximum: 9.130064
Minimum: -10.3643
Acc_Z:
Mittelwert: 3.1255934236980885
Median: 2.618776
Standardabweichung: 2.129881429104536
Maximum: 9.695231
Minimum: -3.121308
Gyr_X:
Mittelwert: -0.0031993286090969014
Median: -0.0361295
Standardabweichung: 0.5063005748072232
Maximum: 4.171746
Minimum: -2.218653
Gyr_Y:
Mittelwert: 0.001553099208965063
Median: 0.0934995
Standardabweichung: 0.5480694102855007
Maximum: 1.444817
Minimum: -1.931558
Gyr_Z:
Mittelwert: -0.016624988134475938
Median: 0.0226565
Standardabweichung: 0.5377913621502696
Maximum: 2.385645
Minimum: -1.960103
Mag_X:
Mittelwert: -0.6583195263678312
Median: -0.6683349999999999
Standardabweichung: 0.06246630092723877
Maximum: -0.502686
Minimum: -0.771729
Mag_Y:
Mittelwert: -0.41003281031641403
Median: -0.431396
Standardabweichung: 0.11911554350175217
Maximum: 0.046875
Minimum: -0.630615
Mag_Z:
Mittelwert: 0.06969615507580751
Median: 0.062622
Standardabweichung: 0.12542587787216064
Maximum: 0.319092
Minimum: -0.231934
Sensor 6
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: -0.8821652198417931
Median: 0.654887
Standardabweichung: 7.621619125721833
Maximum: 18.328685
Minimum: -14.580094
Acc_Y:
Mittelwert: 6.047252523731048
Median: 6.142885
Standardabweichung: 4.161846191978942
Maximum: 27.534112
Minimum: -14.581851
Acc_Z:
Mittelwert: 0.717565144528675
Median: 0.3511345
Standardabweichung: 2.8662744870213106
Maximum: 8.211119
Minimum: -7.742622
Gyr_X:
Mittelwert: 0.0396165524060646
Median: -0.008619499999999999
Standardabweichung: 0.9551171693898763
Maximum: 14.618621
Minimum: -4.964316
Gyr_Y:
Mittelwert: -0.021315476763348717
Median: -0.039217
Standardabweichung: 0.8325921995813816
Maximum: 5.143491
Minimum: -4.91848
Gyr_Z:
Mittelwert: -0.05474595154911009
Median: -0.07536000000000001
Standardabweichung: 2.7628496752215437
Maximum: 7.669666
Minimum: -6.142803
Mag_X:
Mittelwert: 0.3173735177982861
Median: 0.5810545
Standardabweichung: 0.5161757857188637
Maximum: 0.824707
Minimum: -0.727539
Mag_Y:
Mittelwert: -0.3443815908042188
Median: -0.411621
Standardabweichung: 0.2922509634906757
Maximum: 0.231934
Minimum: -0.804199
Mag_Z:
Mittelwert: 0.2406607343441002
Median: 0.237793
Standardabweichung: 0.16942305166851349
Maximum: 0.603027
Minimum: -0.132812
%% Cell type:markdown id: tags:
## Treppensteigen
Sensoren: 6 (Oberarm, Unterarm, Hand, Oberschenkel, Unterschenkel, Fuß)
%% Cell type:code id: tags:
``` python
print(create_bewegung('treppe').get_bewegung_data())
print(create_bewegung('treppe').get_characterisation())
```
%% Output
Typ: treppe
Anzahl an Messwertreihen: 6
Anzahl Messungen: 5694
Messzeit: 56.94 Sekunden
Sensor 1
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 9.64076663944503
Median: 9.343068500000001
Standardabweichung: nan
Maximum: 22.495458
Minimum: -9.748989
Acc_Y:
Mittelwert: 2.351323634703196
Median: 2.341523
Standardabweichung: nan
Maximum: 12.513949
Minimum: -4.685725
Acc_Z:
Mittelwert: 1.5987407560590097
Median: 1.6713135
Standardabweichung: nan
Maximum: 11.654401
Minimum: -3.402524
Gyr_X:
Mittelwert: 0.0532629281700035
Median: 0.07277349999999999
Standardabweichung: nan
Maximum: 4.1085
Minimum: -3.371903
Gyr_Y:
Mittelwert: 0.04583485230066737
Median: 0.006611499999999999
Standardabweichung: nan
Maximum: 5.242188
Minimum: -6.075667
Gyr_Z:
Mittelwert: 0.030314553565156308
Median: 0.0865815
Standardabweichung: nan
Maximum: 5.149207
Minimum: -3.883158
Mag_X:
Mittelwert: -0.7187863198103266
Median: -0.75647
Standardabweichung: nan
Maximum: 0.885254
Minimum: -1.200195
Mag_Y:
Mittelwert: -0.13667115331928345
Median: -0.104736
Standardabweichung: nan
Maximum: 0.447266
Minimum: -1.418457
Mag_Z:
Mittelwert: -0.17868641412012645
Median: -0.191284
Standardabweichung: nan
Maximum: 0.759521
Minimum: -0.865479
Sensor 2
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 9.055839175272217
Median: 10.196753000000001
Standardabweichung: nan
Maximum: 52.591607
Minimum: -8.882827
Acc_Y:
Mittelwert: -0.02515635897435898
Median: 0.8166825
Standardabweichung: nan
Maximum: 39.657489
Minimum: -24.110049
Acc_Z:
Mittelwert: -2.44651939199157
Median: -1.611427
Standardabweichung: nan
Maximum: 30.566983
Minimum: -35.876955
Gyr_X:
Mittelwert: 0.10142478872497364
Median: 0.2737975
Standardabweichung: nan
Maximum: 5.837127
Minimum: -6.845212
Gyr_Y:
Mittelwert: 0.014251762030207239
Median: -0.1235705
Standardabweichung: nan
Maximum: 6.483001
Minimum: -4.046079
Gyr_Z:
Mittelwert: -0.08898582665964172
Median: 0.353874
Standardabweichung: nan
Maximum: 3.173168
Minimum: -4.470969
Mag_X:
Mittelwert: -0.5577189271162626
Median: -0.640869
Standardabweichung: nan
Maximum: -0.135742
Minimum: -0.894531
Mag_Y:
Mittelwert: -0.014660403758342114
Median: 0.08874499999999999
Standardabweichung: nan
Maximum: 0.707764
Minimum: -0.674805
Mag_Z:
Mittelwert: 0.15867494134176327
Median: 0.220825
Standardabweichung: nan
Maximum: 0.787842
Minimum: -0.672119
Sensor 3
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 7.523726234106076
Median: 5.659095499999999
Standardabweichung: 10.370902226484008
Maximum: 99.446341
Minimum: -50.587087
Acc_Y:
Mittelwert: 0.40300824411661407
Median: 0.585916
Standardabweichung: 7.499672015456761
Maximum: 91.468977
Minimum: -76.522113
Acc_Z:
Mittelwert: 7.46096252230418
Median: 8.1515935
Standardabweichung: 7.162013682390185
Maximum: 55.417069
Minimum: -49.05105
Gyr_X:
Mittelwert: 0.12359542606252194
Median: 0.06294649999999999
Standardabweichung: 1.5149563279312506
Maximum: 7.276564
Minimum: -14.439127
Gyr_Y:
Mittelwert: 0.01701350298559888
Median: -0.0352855
Standardabweichung: 2.5796827863901823
Maximum: 9.709203
Minimum: -10.115742
Gyr_Z:
Mittelwert: 0.05870850632244468
Median: 0.037145
Standardabweichung: 1.295696018344994
Maximum: 8.596849
Minimum: -5.348283
Mag_X:
Mittelwert: -0.4958219079733053
Median: -0.478027
Standardabweichung: 0.16044226065835163
Maximum: 0.252197
Minimum: -0.957031
Mag_Y:
Mittelwert: -0.016789795749912195
Median: -0.022217
Standardabweichung: 0.2905971651062269
Maximum: 0.732422
Minimum: -0.518311
Mag_Z:
Mittelwert: -0.41999201914295753
Median: -0.434326
Standardabweichung: 0.18511081759264192
Maximum: 0.646484
Minimum: -0.816895
Sensor 4
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 9.67390041324201
Median: 9.535702
Standardabweichung: nan
Maximum: 47.212083
Minimum: -8.526693
Acc_Y:
Mittelwert: 1.4756195888654726
Median: 1.5896949999999999
Standardabweichung: nan
Maximum: 20.237158
Minimum: -18.105502
Acc_Z:
Mittelwert: 0.9487785474183352
Median: 0.767917
Standardabweichung: nan
Maximum: 27.11821
Minimum: -30.86965
Gyr_X:
Mittelwert: 0.14163878609062172
Median: 0.271753
Standardabweichung: nan
Maximum: 5.823133
Minimum: -5.803764
Gyr_Y:
Mittelwert: 0.06343293589743591
Median: -0.123086
Standardabweichung: nan
Maximum: 3.851583
Minimum: -3.581816
Gyr_Z:
Mittelwert: -0.06045404952581664
Median: 0.0730025
Standardabweichung: nan
Maximum: 1.339236
Minimum: -2.301168
Mag_X:
Mittelwert: -0.6756893654724271
Median: -0.7003170000000001
Standardabweichung: nan
Maximum: -0.447754
Minimum: -0.900879
Mag_Y:
Mittelwert: -0.1133390857042501
Median: -0.065308
Standardabweichung: nan
Maximum: 0.556885
Minimum: -0.907715
Mag_Z:
Mittelwert: -0.05635561819459079
Median: -0.05481
Standardabweichung: nan
Maximum: 0.6604
Minimum: -0.643311
Sensor 5
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 9.50038986512118
Median: 9.08314
Standardabweichung: 3.4281214909761815
Maximum: 22.446973
Minimum: -8.89761
Acc_Y:
Mittelwert: -1.3975701981032664
Median: -1.1975129999999998
Standardabweichung: 2.066759431875819
Maximum: 6.443411
Minimum: -10.451029
Acc_Z:
Mittelwert: 1.660199375658588
Median: 1.6231365
Standardabweichung: 1.517312454415022
Maximum: 9.438714
Minimum: -3.589502
Gyr_X:
Mittelwert: 0.09209252423603793
Median: 0.0919005
Standardabweichung: 1.0237151587925142
Maximum: 3.744722
Minimum: -4.030518
Gyr_Y:
Mittelwert: 0.005943886371619252
Median: -0.0835735
Standardabweichung: 0.6378931577620202
Maximum: 3.855968
Minimum: -4.678824
Gyr_Z:
Mittelwert: 0.04392270389884089
Median: 0.0453605
Standardabweichung: 0.9374936822382997
Maximum: 3.361671
Minimum: -2.942208
Mag_X:
Mittelwert: -0.7103103793466807
Median: -0.708008
Standardabweichung: 0.15655364388563123
Maximum: 0.564209
Minimum: -1.102295
Mag_Y:
Mittelwert: 0.05845374956094134
Median: 0.110352
Standardabweichung: 0.24746397578759527
Maximum: 0.52002
Minimum: -0.729492
Mag_Z:
Mittelwert: -0.11449654812082895
Median: -0.16027799999999998
Standardabweichung: 0.3254184160978943
Maximum: 0.543457
Minimum: -0.754883
Sensor 6
Anzahl an Einzelsensoren: 9
Acc_X:
Mittelwert: 10.359142780821918
Median: 9.787325
Standardabweichung: 3.5015360510993947
Maximum: 27.695996
Minimum: -8.402051
Acc_Y:
Mittelwert: 3.2433247692307687
Median: 3.1810255
Standardabweichung: 2.5780848933836427
Maximum: 26.0555
Minimum: -7.165863
Acc_Z:
Mittelwert: 0.6204071601685984
Median: 0.5864945
Standardabweichung: 1.62205018565496
Maximum: 17.67962
Minimum: -7.922131
Gyr_X:
Mittelwert: 0.022644953459782215
Median: -0.0160965
Standardabweichung: 1.0194889924469996
Maximum: 7.13672
Minimum: -4.438736
Gyr_Y:
Mittelwert: 0.03170926343519494
Median: -0.028651999999999997
Standardabweichung: 1.0091072325480621
Maximum: 6.114361
Minimum: -7.796177
Gyr_Z:
Mittelwert: 0.0011308171759747054
Median: -0.0444315
Standardabweichung: 2.109372156085509
Maximum: 6.45458
Minimum: -4.463435
Mag_X:
Mittelwert: -0.6128054908675798
Median: -0.671875
Standardabweichung: 0.22792545374334897
Maximum: 1.043457
Minimum: -0.956543
Mag_Y:
Mittelwert: -0.26817149912188265
Median: -0.249756
Standardabweichung: 0.2904164807943533
Maximum: 0.304932
Minimum: -1.213623
Mag_Z:
Mittelwert: -0.026384727608008432
Median: -0.016602
Standardabweichung: 0.35754734878241656
Maximum: 1.010254
Minimum: -0.653809
......
......@@ -8,7 +8,7 @@ from algorithm.decision_tree.decision_tree import DecisionTree
from algorithm.k_nearest_neighbors.k_nearest_neighbors_algorithm import KNearestNeighborsAlgorithm
from aufgaben.p4.testdata import get_evaluation_data
from aufgaben.p6.error_rate import ErrorRate
from aufgaben.p6.multiclass_error_rate import Multiclass_ErrorRate
from aufgaben.p6.multiclass_error_rate import MulticlassErrorRate
from features.standard_deviation import standard_deviation
from features.arithmetic_mean import arithmetic_mean
from features.median import median
......@@ -40,11 +40,11 @@ def evaluate():
# DecisionTree
print("\nDecision Tree:")
evaluate_algorithm(training_data, test_data,
DecisionTree(entropy_threshold=0.5, number_segments=25, print_after_train=True), Multiclass_ErrorRate(classes))
DecisionTree(entropy_threshold=0.5, number_segments=25, print_after_train=True), MulticlassErrorRate(classes))
# KNN
print("\nKNN")
evaluate_algorithm(training_data, test_data, KNearestNeighborsAlgorithm(), Multiclass_ErrorRate(classes), {'distance': euclidean_distance, 'k': 5})
evaluate_algorithm(training_data, test_data, KNearestNeighborsAlgorithm(), MulticlassErrorRate(classes), {'distance': euclidean_distance, 'k': 5})
# PLA
print("\nPLA")
......@@ -52,7 +52,7 @@ def evaluate():
threshold = 0.5
perceptron = Perceptron(weights, threshold, numpy.tanh)
train(perceptron, training_data, 10000, 0.1)
fehlerrate = Multiclass_ErrorRate(classes)
fehlerrate = MulticlassErrorRate(classes)
for features, correct_class in test_data:
result = perceptron.classify(features)
fehlerrate.evaluate(correct_class, result)
......
import plot.plotter as plotter
from features.moving_average import moving_average
from korpus import create_bewegung
import plot.plotter as plotter
def test_plotter_sensoren():
......
import math
from features.standard_deviation import standard_deviation
from testdata.constants import Acc_Y
from testdata.testdata import get_features, label_testdata
CLASS_JOGGEN = 1
CLASS_KNIEBEUGE = -1
SENSOR_FUSS = 1
def binary_classification_feature(window_size=30):
""" Testdaten für P4 und P5 """
personen = [
(1, 1) # Gruppe 1, Person 1
]
# Standardabweichung in Y-Richtung sollte beim Joggen hoch und bei Kniebeuge gering sein
joggen_feature = get_features(standard_deviation, window_size, 'joggen', SENSOR_FUSS, Acc_Y, personen)
kniebeuge_feature = get_features(standard_deviation, window_size, 'kniebeuge', SENSOR_FUSS, Acc_Y, personen)
return joggen_feature, kniebeuge_feature
def binary_classification_testdata():
joggen_feature, kniebeuge_feature = binary_classification_feature(150)
joggen_training, joggen_test = label_testdata(joggen_feature, CLASS_JOGGEN, math.inf)
kniebeuge_training, kniebeuge_test = label_testdata(kniebeuge_feature, CLASS_KNIEBEUGE, math.inf)
return joggen_training + kniebeuge_training, joggen_test + kniebeuge_test
%% Cell type:code id: tags:
``` python
from aufgaben.p4.binary_classification import binary_classification_feature
%matplotlib notebook
import matplotlib.pyplot as plotter
from aufgaben.p4.testdata import binary_classification_feature
joggen_feature, kniebeuge_feature = binary_classification_feature(150)
plotter.plot(range(len(joggen_feature)), joggen_feature, label="Joggen Standardabweichung", linewidth=1)
plotter.plot(range(len(kniebeuge_feature)), kniebeuge_feature, label="Kniebeuge Standardabweichung", linewidth=1)
plotter.legend()
plotter.show()
```
%% Output
%% Cell type:code id: tags:
``` python
```
......
......@@ -4,12 +4,13 @@ import numpy
from algorithm.pla.perceptron import Perceptron
from algorithm.pla.perceptron_learning_algorithm import train
from aufgaben.p4.testdata import get_labeled_testdata, CLASS_JOGGEN, CLASS_KNIEBEUGE
from aufgaben.p4.binary_classification import binary_classification_testdata
from aufgaben.p6.error_rate import ErrorRate
from testdata.testdata import CLASS_JOGGEN, CLASS_KNIEBEUGE
def apply_pla():
test_data, training_data = get_labeled_testdata()
test_data, training_data = binary_classification_testdata()
# Erstelle ein Perzeptron
weights = [random.random()]
......
This diff is collapsed.
from tabulate import tabulate
class Multiclass_ErrorRate:
class MulticlassErrorRate:
evaluations = {}
def __init__(self, classes: list):
for clazz in classes:
self.evaluations[clazz] = [0, 0]
def evaluate(self, expected_class: float, actual_class: float):
if expected_class not in self.evaluations.keys():
self.evaluations[expected_class] = [0, 0]
if expected_class == actual_class:
self.evaluations[expected_class][0] += 1
else:
self.evaluations[expected_class][1] += 1
def print_table(self):
for clazz in self.evaluations.keys():
print(f"Klasse: {clazz}. Korrekt: {self.evaluations[clazz][0]}. Inkorrekt: {self.evaluations[clazz][1]}")
error_rate = sum([clazz[1] for clazz in self.evaluations.values()]) / (sum([clazz[0] for clazz in self.evaluations.values()]) + sum([clazz[1] for clazz in self.evaluations.values()]))
for class_name in self.evaluations.keys():
print(
f"Klasse: {class_name}. Korrekt: {self.evaluations[class_name][0]}. Inkorrekt: {self.evaluations[class_name][1]}")
error_rate = sum([class_name[1] for class_name in self.evaluations.values()]) / (
sum([clazz[0] for clazz in self.evaluations.values()]) + sum(
[clazz[1] for clazz in self.evaluations.values()]))
print(f"Errorrate: {error_rate}")
from algorithm.k_nearest_neighbors.distance_measure.euclidean_distance import euclidean_distance
from algorithm.k_nearest_neighbors.k_nearest_neighbors_algorithm import KNearestNeighborsAlgorithm
from aufgaben.p4.testdata import get_labeled_testdata
from aufgaben.p6.error_rate import ErrorRate
from aufgaben.p6.multiclass_error_rate import MulticlassErrorRate
from aufgaben.p7.multiple_class_classification import multiple_classes_testdata
def apply_k_nearest_neighbors():
test_data, training_data = get_labeled_testdata()
test_data, training_data = multiple_classes_testdata()
# Trainiere den K-Nearest-Neighbors-Algorithm
algorithm = KNearestNeighborsAlgorithm()
algorithm.train(training_data)
# Vergleiche alle Ergebnisse mit der erwarteten Klasse
fehlerrate = ErrorRate()
fehlerrate = MulticlassErrorRate()
for features, correct_class in test_data:
result = algorithm.classify(features, euclidean_distance, 10)
fehlerrate.evaluate(correct_class, result)
......
from features.standard_deviation import standard_deviation
from testdata.constants import Acc_Y
from testdata.testdata import get_features, label_testdata
SENSOR_FUSS = 1
def multiple_classes_features(window_size=30):
""" Testdaten für P7 """
personen = [
(2, 1), # Gruppe 2, Person 1
(2, 2) # Gruppe 2, Person 2
]
joggen_feature = get_features(standard_deviation, window_size, 'joggen', SENSOR_FUSS, Acc_Y, personen)
gehen_feature = get_features(standard_deviation, window_size, 'gehen', SENSOR_FUSS, Acc_Y, personen)
jumpingjack_feature = get_features(standard_deviation, window_size, 'jumpingjack', SENSOR_FUSS, Acc_Y, personen)
return joggen_feature, gehen_feature, jumpingjack_feature
def multiple_classes_testdata():
joggen_feature, gehen_feature, jumpingjack_feature = multiple_classes_features(100)
joggen_training, joggen_test = label_testdata(joggen_feature, 'JOGGEN', 500)
gehen_training, gehen_test = label_testdata(joggen_feature, 'GEHEN', 500)
jumpingjack_training, jumpingjack_test = label_testdata(jumpingjack_feature, 'JUMPINGJACK', 500)
trainings_data = joggen_training + gehen_training + jumpingjack_training
test_data = joggen_test + gehen_test + jumpingjack_test
return trainings_data, test_data
......@@ -4,7 +4,7 @@ import numpy
from algorithm.decision_tree.decision_tree import DecisionTree
from aufgaben.p4.testdata import get_labeled_testdata
from aufgaben.p6.multiclass_error_rate import Multiclass_ErrorRate
from aufgaben.p6.multiclass_error_rate import MulticlassErrorRate
def apply_decision_tree():
......@@ -15,7 +15,7 @@ def apply_decision_tree():
algorithm.train(None, training_data)
# Vergleiche alle Ergebnisse mit der erwarteten Klasse
fehlerrate = Multiclass_ErrorRate()
fehlerrate = MulticlassErrorRate()
for features, correct_class in test_data:
result = algorithm.classify(features)
fehlerrate.evaluate(correct_class, result)
......
Acc_X = 0
Acc_Y = 1
Acc_Z = 2
Gyr_X = 3
Gyr_Y = 4
Gyr_Z = 5
Mag_X = 6
Mag_Y = 7
Mag_Z = 8
......@@ -2,8 +2,7 @@ from math import floor
from features.moving_feature import moving_feature
from features.standard_deviation import standard_deviation
from features.arithmetic_mean import arithmetic_mean
from korpus import create_bewegung, create_bewegung_two_person
from korpus import create_bewegung
CLASS_JOGGEN = 1
CLASS_KNIEBEUGE = -1
......@@ -16,65 +15,49 @@ DATA_LIMIT = 1000
DATA_LIMIT_PER_TYPE = floor(DATA_LIMIT / 2)
def binary_classification_feature(window_size=30):
# Wir holen uns den Höhensensor des Fußes (Bleibt bei Kniebeugen gleich und bewegt sich beim Laufen)
joggen_values = create_bewegung('joggen').messungen[1].sensoren[1].werte
kniebeuge_values = create_bewegung('kniebeuge').messungen[1].sensoren[1].werte
gehen_values = create_bewegung('gehen').messungen[1].sensoren[1].werte
def get_features(feature_function, window_size, bewegungs_name, messung, sensor, personen: list):
values = []
# Berechne die Standardabweichung (Bei Kniebeugen gering, bei Joggen hoch)
joggen_feature = moving_feature(arithmetic_mean, window_size, joggen_values)
kniebeuge_feature = moving_feature(arithmetic_mean, window_size, kniebeuge_values)
gehen_feature = moving_feature(arithmetic_mean, window_size, gehen_values)
for person in personen:
bewegung = create_bewegung(bewegungs_name, gruppe=person[0], person=person[1])
values += list(bewegung.messungen[messung].sensoren[sensor].werte)
return joggen_feature, kniebeuge_feature, gehen_feature
return moving_feature(feature_function, window_size, values)
def classification_evaluation(window_size=30, func=standard_deviation):
messung = 0
sensor = 0
joggen_values = create_bewegung_two_person('joggen', person=1).messungen[messung].sensoren[sensor].werte
kniebeuge_values = create_bewegung_two_person('gehen', person=1).messungen[messung].sensoren[sensor].werte
jj_values = create_bewegung_two_person('jumpingjack', person=1).messungen[messung].sensoren[sensor].werte
joggen_values2 = create_bewegung_two_person('joggen', person=2).messungen[messung].sensoren[sensor].werte
kniebeuge_values2 = create_bewegung_two_person('gehen', person=2).messungen[messung].sensoren[sensor].werte
jj_values2 = create_bewegung_two_person('jumpingjack', person=2).messungen[messung].sensoren[sensor].werte
joggen_values = create_bewegung('joggen', person=1).messungen[messung].sensoren[sensor].werte
kniebeuge_values = create_bewegung('gehen', person=1).messungen[messung].sensoren[sensor].werte
jj_values = create_bewegung('jumpingjack', person=1).messungen[messung].sensoren[sensor].werte
joggen_values2 = create_bewegung('joggen', person=2).messungen[messung].sensoren[sensor].werte
kniebeuge_values2 = create_bewegung('gehen', person=2).messungen[messung].sensoren[sensor].werte
jj_values2 = create_bewegung('jumpingjack', person=2).messungen[messung].sensoren[sensor].werte
# Berechne die Standardabweichung (Bei Kniebeugen gering, bei Joggen hoch)
joggen_feature = moving_feature(func, window_size, list(joggen_values)+list(joggen_values2))
joggen_feature = moving_feature(func, window_size, list(joggen_values) + list(joggen_values2))
kniebeuge_feature = moving_feature(func, window_size, list(kniebeuge_values) + list(kniebeuge_values2))
jj_feature = moving_feature(func, window_size, list(jj_values) + list(jj_values2))
return joggen_feature, kniebeuge_feature, jj_feature
def get_labeled_testdata():
# Hole die aus den Sensordaten berechneten Merkmale
joggen_feature, kniebeuge_feature, gehen_feature = binary_classification_feature(200)
def label_testdata(features, label, data_limit):
# Wir nehmen nur DATA_LIMIT an Daten (sonst ist K-Nearest-Neighbors zu langsam)
joggen_feature = joggen_feature[: min(DATA_LIMIT_PER_TYPE, len(joggen_feature))]
kniebeuge_feature = kniebeuge_feature[: min(DATA_LIMIT_PER_TYPE, len(kniebeuge_feature))]
gehen_feature = gehen_feature[: min(DATA_LIMIT_PER_TYPE, len(gehen_feature))]
features = features[: min(data_limit, len(features))]
# Wandel Liste an Merkmalen in einzelne Merkmalsvektoren um
joggen_vector = ([element] for element in joggen_feature)
kniebeugen_vector = ([element] for element in kniebeuge_feature)
gehen_vector = ([element] for element in gehen_feature)
feature_vector = ([element] for element in features)
# Weise den Trainingsdaten eine Klasse zu
# 0 = Kniebeuge, 1 = Joggen
training_data_joggen = list(zip(joggen_vector, [CLASS_JOGGEN] * len(joggen_feature)))
training_data_kniebeuge = list(zip(kniebeugen_vector, [CLASS_KNIEBEUGE] * len(kniebeuge_feature)))
training_data_gehen = list(zip(gehen_vector, [CLASS_GEHEN] * len(gehen_feature)))
data = list(zip(feature_vector, [label] * len(features)))
# Wir nehmen 90 % der Testdaten zum Trainieren und 10 % zum Testen
delimiter_joggen = floor(len(joggen_feature) * TRAINING_DATA_PERCENTAGE)
delimiter_kniebeuge = floor(len(kniebeuge_feature) * TRAINING_DATA_PERCENTAGE)
delimiter_gehen = floor(len(gehen_feature) * TRAINING_DATA_PERCENTAGE)
delimiter = floor(len(features) * TRAINING_DATA_PERCENTAGE)
training_data = training_data_joggen[:delimiter_joggen] + training_data_kniebeuge[:delimiter_kniebeuge] + training_data_gehen[:delimiter_gehen]
test_data = training_data_joggen[delimiter_joggen:] + training_data_kniebeuge[delimiter_kniebeuge:] + training_data_gehen[delimiter_gehen:]
training_data = data[:delimiter]
test_data = data[delimiter:]
return test_data, training_data
......@@ -104,7 +87,6 @@ def get_evaluation_data(window_size, feature_list: []):
for i in range(len(jj_feature)):
jj_vector[i].append(jj_feature[i])
# Weise den Trainingsdaten eine Klasse zu
# 0 = Kniebeuge, 1 = Joggen
training_data_joggen = list(zip(joggen_vector, [CLASS_JOGGEN] * len(joggen_vector)))
......@@ -116,8 +98,9 @@ def get_evaluation_data(window_size, feature_list: []):
delimiter_kniebeuge = floor(len(kniebeugen_vector) * TRAINING_DATA_PERCENTAGE)
delimiter_jj = floor(len(jj_vector) * TRAINING_DATA_PERCENTAGE)
training_data = training_data_joggen[:delimiter_joggen] + training_data_kniebeuge[:delimiter_kniebeuge] + training_data_jj[:delimiter_jj]
test_data = training_data_joggen[delimiter_joggen:] + training_data_kniebeuge[delimiter_kniebeuge:] + training_data_jj[delimiter_jj:]
training_data = training_data_joggen[:delimiter_joggen] + training_data_kniebeuge[
:delimiter_kniebeuge] + training_data_jj[:delimiter_jj]
test_data = training_data_joggen[delimiter_joggen:] + training_data_kniebeuge[
delimiter_kniebeuge:] + training_data_jj[delimiter_jj:]
return test_data, training_data
0% Loading or .
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment