加速度センサーのデータを正規化するにはどうすればよいですか？

私は、多くの被験者が身に着けている複数のセンサーで収集された加速度計データの大規模なセットを扱っています。残念ながら、ここでは誰もデバイスの技術仕様を知らないようで、デバイスが再調整されたことはないと思います。デバイスに関する情報があまりありません。私は修士論文に取り組んでいます。加速度計は別の大学から借りたもので、全体として少し不透明な状況でした。では、デバイスに搭載されている前処理はどうでしょうか？全く分からない。

私が知っているのは、それらが20Hzサンプリングレートの3軸加速度計であることです。デジタルとおそらくMEMS。私は非言語的行動と身振りに興味があります。私の情報源によると、これらは主に0.3〜3.5 Hzの範囲の活動を生成するはずです。

データの正規化はかなり必要だと思われますが、何を使用すればよいかわかりません。データの非常に大きな部分は残りの値（重力からの未加工値〜1000）に近いですが、一部のログでは最大8000、他のログでは最大29000のような極端なものもあります。下の画像を参照してください。これは、正規化するためにmaxまたはstdevで除算するのは悪い考えだと思います。

このような場合の通常のアプローチは何ですか？中央値で割りますか？パーセンタイル値？他に何か？

副次的な問題として、極端な値をクリップする必要があるかどうかもわかりません。

アドバイスをありがとう！

編集：これは、約16分のデータ（20000サンプル）のプロットであり、データが通常どのように分布しているかがわかります。

上に示した生の信号は、フィルタリングも較正もされていないようです。適切なフィルタリングとキャリブレーション、およびアーティファクトの除去により、実質的にデータが正規化されます。加速度計データを使用した標準的なアプローチは次のとおりです。

1. フィルター-たとえば、4次のゼロ位相IIRローパスまたはバンドパスフィルター
2. アーティファクトの拒否-しきい値ベース
3. 校正-Ferraris et al method（3軸レートジャイロと加速度計の簡単なフィールド校正の手順、F Ferraris、U Grimaldi、M Parvis-Sensors and Actuators、1995）の方法がこれに適しています。

慣性センサーデータでアーティファクトの拒否を実行することをお勧めします。データの出所がわからないので心配です。そのため、センサーがすべての対象に正しくかつ一貫して（向きと物理的な配置に関して）固定されていることを保証できません。センサーが正しく取り付けられていない場合、センサーは体節に対して移動する可能性があるため、信号に多くのアーチファクトが生じる可能性があります。同様に、センサーの向きが異なる（配置方法が異なる）場合、データを被験者間で比較することは困難です。

あなたが報告する外れ値のサイズを考えると、それらはアーティファクトである可能性が高いと思われます。そのようなアーチファクトは、ほぼ一定の傾き任意校正計算だろう（その効果は、適切なフィルタリングによって軽減されるであろうが）ので、キャリブレーションが実行されるべき後のアーチファクト拒絶。

単純なしきい値は、最初のアーティファクト拒否ルーチン、つまりNaN特定の経験的しきい値を超えるすべてのサンプルを削除（またはに置き換える）する場合に適しています。より高度な手法では、移動平均または移動ウィンドウを使用してこのしきい値を適応的に計算します。

センサーの位置によっては、加速度信号への重力の影響を補正することもできますが、センサーの軸と配置に関する詳細な理解がここでは重要です。Moe-Nillson法（R. Moe-Nilssen、実際の環境条件下での歩行における運動制御を評価するための新しい方法。パート1：装置、Clinical Biomechanics、Volume 13、Issue 4-5、1998年6月〜7月、 320-327ページ）は最も一般的に使用されており、腰部に取り付けられた慣性センサーに適しています。

ジェスチャー認識のためにデータを調べることから始めるのに適した場所は、フィルター処理され、調整されたデータをエポック（例：10秒）に分割し、エポックごとにいくつかの特徴を計算し、これらをデータのラベルに関連付けることです。データセットと関連するラベルについて詳しく知らなくても、より具体的なアドバイスを提供できます。

お役に立てれば。