Mobil tətbiqlərdə Pedometr: bu nədir, necə işləyir və harada tətbiq olunur

Mobil tətbiqdə addımölçən nədir?

Addımölçən (pedometr) mobil tətbiqlərdə — bu, smartfonun daxili hərəkət sensorlarından daxil olan məlumatlar əsasında istifadəçinin addım sayını təyin edən funksiyadır. Keçmişin mexaniki addımölçənlərindən fərqli olaraq, mobil pedometr dəqiq lokomosiya sayımı üçün mikroelektromexaniki sensorlardan (MEMS) və rəqəmsal siqnal emalı alqoritmlərindən istifadə edir. Müasir tətbiqlər təkcə addımları saymır, həm də fəaliyyəti təsnif edir: yerimə, qaçış, pilləkən qalxma.

Addımölçənin mobil cihazlara inteqrasiyası 2013-cü ildə iPhone 5s-də minimal enerji sərfiyyatı ilə sensorlardan davamlı məlumat toplayan M7 hərəkət soprosessorunun meydana çıxması sayəsində mümkün oldu. Bu gün bütün müasir smartfonlar sensor hub səviyyəsində — əsas prosessoru oyatmadan inertial sensor məlumatlarını emal edən xüsusi çip səviyyəsində addım sayma üçün avadanlıq dəstəyinə malikdir.

Smartfonda addım sayma necə işləyir

Smartfonda addım sayma cihazın üç perpendikulyar ox (X, Y, Z) üzrə təcilini ölçən akselerometr siqnallarının təhlilinə əsaslanır. Yerimə zamanı hər addım xarakterik təcil nümunəsi yaradır: əvvəlcə ayaq qaldırılarkən yuxarı pik, sonra yerə enərkən aşağı pik. Addım tezliyi (kadans) yerimə üçün 100–130 addım/dəq, qaçış üçün 150–180 addım/dəq, təcil amplitudası isə 2–6 m/s² təşkil edir.

Akselerometr siqnalının emalı

Akselerometrdən gələn xam siqnal səs-küy və yüksək tezlikli müdaxilələr ehtiva edir, buna görə də emalın ilk mərhələsi 3–5 Hz kəsmə tezliyi ilə aşağı keçirici filtrdir (low-pass filter). Filtrdən sonra cihazın istiqamətindən asılı olmayaraq hərəkətlə əlaqəli təcili ayıran təcil vektoru hesablanır: a = sqrt(x² + y² + z²). Sonra alqoritm siqnalda lokal maksimumları aşkarlayır — hər maksimum bir addıma uyğun gəlir.

Yalan işə düşmələri azaltmaq üçün (məsələn, nəqliyyatda sarsıntı zamanı) əlavə meyarlar tətbiq olunur: minimum addım amplitudası (adətən >1,2 m/s²), addımlar arasında minimum interval (yerimə üçün 300–400 ms) və avtokorrelyasiya vasitəsilə siqnalın dövrilik yoxlanışı. Piklər arasında vaxt intervalları qeyri-müntəzəm olarsa, ardıcıllıq təsadüfi hərəkətlər kimi qeyd olunur və addım kimi sayılmır.

Akselerometr vasitəsilə addımların aşkarlanması

Əsas addım aşkarlama alqoritmi hədd aşkarlama metodundan istifadə edir: sistem akselerometr siqnalının müəyyən edilmiş həddi keçdiyi və sonra sakitlik səviyyəsinə qayıtdığı anları axtarır. Hər belə hadisə potensial addım hesab olunur. İki yanaşma var: pik aşkarlama (peak detection) və sıfır keçidi (zero-crossing). Pik aşkarlama siqnalın maksimumlarını qeyd edir, zero-crossing isə — siqnalın orta qiymətdən keçid anlarını, bu da addım amplitudasından daha az asılıdır.

Hədd metodları və adaptiv alqoritmlər

Müasir addım sayma alqoritmləri avtomatik olaraq istifadəçinin yerimə tərzinə uyğunlaşan adaptiv hədddən istifadə edir. Sistem son 2–3 saniyə ərzində siqnalın dispersiyasını təhlil edir və dinamik həddi əmsala vurulmuş orta kvadratik kənarlaşma (RMS) kimi hesablayır. Bu, fəaliyyət növləri arasında çarpaz kalibrləmə olmadan həm yavaş gəzinti, həm də enerjili qaçış zamanı addımları düzgün saymağa imkan verir.

Addım sayma alqoritmləri və maşın öyrənməsi

Addımölçənin müasir tətbiqləri təkcə pik aşkarlamadan deyil, həm də hərəkət nümunələrinin təsnifatı üçün maşın öyrənməsindən istifadə edir. Neyron şəbəkə modelləri müxtəlif ssenarilərdən real hərəkətlərin minlərlə saatlıq yazıları üzərində öyrədilir: düz səthdə yerimə, pilləkən qalxma, qaçış, nəqliyyatda gediş. Giriş xüsusiyyətləri akselerometr və giroskopun zaman sıraları, çıxış isə — cari siqnal seqmentinin insan lokomosiyasına uyğun gəlmə ehtimalıdır.

Fəaliyyətin təsnifatı üçün neyron şəbəkə modelləri

Google Activity Recognition tədqiqatı məlumatlarına görə, konvolyusiya neyron şəbəkələrinə (CNN) əsaslanan modellər test məlumat dəstlərində yerimənin tanınmasında 98% dəqiqlik əldə edir. Apple cihazlarında 100 mindən çox könüllünün məlumatları üzərində öyrədilmiş Activity Classification modeli ilə Core ML istifadə olunur. Optimallaşdırılmış modellər birbaşa cihazda işləyir (on-device inference), bu da ani emal və istifadəçi məxfiliyinin qorunmasını təmin edir.

import CoreMotion

class PedometerObserver {
    private let pedometer = CMPedometer()

    func startTracking() {
        guard CMPedometer.isStepCountingAvailable() else { return }
        
        pedometer.startUpdates(from: Date()) { data, error in
            guard let data = data else { return }
            
            let steps = data.numberOfSteps.intValue
            let distance = data.distance?.doubleValue
            let floorsAscended = data.floorsAscended?.intValue
            
            // UI-nın addım sayı ilə yenilənməsi
            DispatchQueue.main.async {
                // self.stepsLabel.text = "\(steps) addım"
            }
        }
    }

    func stopTracking() {
        pedometer.stopUpdates()
    }
}

iOS və Android-də addımölçən: API və imkanlar

iOS-da addımölçənə giriş üçün Core Motion freymvorkundan CMPedometer sinfindən istifadə olunur. CMPedometer təkcə addım sayını deyil, həm də qət olunmuş məsafəni, mərtəbələrin sayını (qalxmaları), yerimə tempini və fəaliyyət vaxtını təqdim edir. Məlumatlar həm real vaxtda (startUpdates), həm də keçmişdə istənilən dövr üçün (queryPedometerData) əlçatandır. Hərəkət soprosessoru (M seriyası) sensor məlumatlarını avadanlıq səviyyəsində emal edir, bu da proqram emalı ilə müqayisədə enerji sərfiyyatını 80% azaldır.

Android-də addımölçənlə iş iki avadanlıq sensoru vasitəsilə həyata keçirilir: TYPE_STEP_COUNTER (yükləmədən etibarən kumulyativ addım sayğacı) və TYPE_STEP_DETECTOR (hər addımda hadisə generasiyası). TYPE_STEP_COUNTER kalibrləmə tələb etmir və prosessor enerjisini sərf etmir — məlumatlar sensor hub səviyyəsində avadanlıq tərəfindən yenilənir. Gün ərzində toplanmış addım statistikasına giriş üçün DataType.TYPE_STEP_COUNT_DELTA qeydi ilə Google Fit API istifadə olunur.

import android.hardware.Sensor
import android.hardware.SensorEvent
import android.hardware.SensorEventListener
import android.hardware.SensorManager

class StepCounter(
    private val sensorManager: SensorManager
) : SensorEventListener {

    private var totalSteps = 0
    private var previousSteps = -1

    fun startListening() {
        val sensor = sensorManager.getDefaultSensor(Sensor.TYPE_STEP_COUNTER)
        sensor?.let {
            sensorManager.registerListener(this, it, SensorManager.SENSOR_DELAY_NORMAL)
        }
    }

    override fun onSensorChanged(event: SensorEvent) {
        if (previousSteps < 0) {
            previousSteps = event.values[0].toInt()
        }
        val currentSteps = event.values[0].toInt()
        totalSteps = currentSteps - previousSteps
    }

    fun getStepCount(): Int = totalSteps

    override fun onAccuracyChanged(sensor: Sensor?, accuracy: Int) {}
}

Mobil addımölçənin dəqiqliyi və məhdudiyyətləri

Addımölçənin dəqiqliyi bir neçə amildən asılıdır: smartfonun yerləşdiyi yer (əldə, cibdə və ya çantada), fəaliyyət növü (yerimə, qaçış, pilləkən qalxma) və sensorların keyfiyyəti. Smartfon şalvar cibində geyildikdə dəqiqlik 93–97%, çantada və ya bel çantasında 70–85% düşür. Dəqiqliyə istifadəçinin yerimə tərzi də təsir edir: kiçik addımlı yerimə az təcil amplitudası ilə ölçülü yerimədən daha çox səhv verir.

Mobil addımölçənlərin əsas məhdudiyyətləri bunlardır: çox yavaş hərəkətdə addımların sayıla bilməməsi (<1,5 km/saat), nəqliyyatda gedişdən yalan işə düşmələr, aşağı sürətli qaçışda (yüngül qaçış) dəqiqliyin azalması və danışıq zamanı jestlərin təsiri. Səhvləri minimuma endirmək üçün müasir tətbiqlər sensorlar kombinasiyasından (akselerometr + giroskop + barometr) və artefaktların atılması üçün maşın öyrənməsindən istifadə edir. Barometr, məsələn, pilləkən qalxma və hündürlük dəyişikliyini təyin etməyə kömək edir, liftdə yalan addımları istisna edir.