Pedometr v mobilních aplikacích: co to je, jak funguje a kde se používá

Co je krokoměr v mobilní aplikaci?

Krokoměr (pedometr) v mobilních aplikacích je funkce, která určuje počet kroků uživatele na základě dat z vestavěných pohybových senzorů chytrého telefonu. Na rozdíl od mechanických krokoměrů z minulosti používá mobilní pedometr mikro-elektromechanické senzory (MEMS) a algoritmy digitálního zpracování signálu pro přesné počítání lokomocí. Moderní implementace nejen počítají kroky, ale také klasifikují aktivitu: chůzi, běh, chůzi do schodů.

Integrace krokoměru do mobilních zařízení byla umožněna díky příchodu koprocesoru pohybu M7 v iPhone 5s v roce 2013, který nepřetržitě sbíral data ze senzorů s minimální spotřebou energie. Dnes mají všechna moderní chytrá telefony hardwarovou podporu pro počítání kroků na úrovni senzorového hubu — vyhrazeného čipu zpracovávajícího data z inerciálních senzorů bez probouzení hlavního procesoru.

Jak funguje počítání kroků na chytrém telefonu

Počítání kroků na chytrém telefonu je založeno na analýze signálů akcelerometru, který měří zrychlení zařízení ve třech kolmých osách (X, Y, Z). Při chůzi vytváří každý krok charakteristický vzor zrychlení: nejprve vrchol nahoru při zvedání nohy, poté vrchol dolů při dopadu. Frekvence kroků (kadence) je 100–130 kroků/min pro chůzi a 150–180 kroků/min pro běh, s amplitudou zrychlení 2–6 m/s².

Zpracování signálu akcelerometru

Syrový signál z akcelerometru obsahuje šum a vysokofrekvenční rušení, proto je prvním krokem zpracování dolní propust (low-pass filter) s mezní frekvencí 3–5 Hz. Po filtraci se vypočítá vektor zrychlení: a = sqrt(x² + y² + z²), který extrahuje zrychlení související s pohybem nezávisle na orientaci zařízení. Poté algoritmus detekuje lokální maxima v signálu — každé maximum odpovídá jednomu kroku.

Pro snižení falešných poplachů (např. při třesení v dopravě) se uplatňují další kritéria: minimální amplituda kroku (obvykle >1,2 m/s²), minimální interval mezi kroky (300–400 ms pro chůzi) a kontrola periodicity signálu pomocí autokorelace. Pokud jsou časové intervaly mezi vrcholy nepravidelné, je sekvence označena jako náhodné pohyby a není počítána jako kroky.

Detekce kroků přes akcelerometr

Základní algoritmus detekce kroků používá metodu prahové detekce: systém hledá okamžiky, kdy signál akcelerometru překročí nastavený práh a poté se vrátí na klidovou úroveň. Každá taková událost je považována za potenciální krok. Existují dva přístupy: detekce vrcholů (peak detection) a průchod nulou (zero-crossing). Detekce vrcholů zaznamenává maxima signálu, zatímco zero-crossing — okamžiky průchodu signálu průměrnou hodnotou, což méně závisí na amplitudě kroku.

Prahové metody a adaptivní algoritmy

Moderní algoritmy počítání kroků používají adaptivní práh, který se automaticky přizpůsobuje stylu chůze uživatele. Systém analyzuje rozptyl signálu za poslední 2–3 sekundy a vypočítává dynamický práh jako směrodatnou odchylku (RMS) vynásobenou koeficientem. To umožňuje správně počítat kroky jak při pomalé procházce, tak při energickém běhu bez křížové kalibrace mezi typy aktivit.

Algoritmy počítání kroků a strojové učení

Moderní implementace krokoměru používají nejen detekci vrcholů, ale také strojové učení pro klasifikaci vzorců pohybu. Modely neuronových sítí jsou trénovány na tisících hodin nahrávek skutečných pohybů z různých scénářů: chůze po rovném povrchu, chůze do schodů, běh, cestování dopravními prostředky. Vstupními charakteristikami jsou časové řady akcelerometru a gyroskopu a výstupem je pravděpodobnost, že aktuální segment signálu odpovídá lidské lokomoci.

Modely neuronových sítí pro klasifikaci aktivity

Podle údajů výzkumu Google Activity Recognition dosahují modely založené na konvolučních neuronových sítích (CNN) přesnosti rozpoznávání chůze 98% na testovacích datových sadách. Na zařízeních Apple se používá Core ML s modelem Activity Classification, trénovaným na datech více než 100 tisíc dobrovolníků. Optimalizované modely pracují přímo na zařízení (on-device inference), což zajišťuje okamžité zpracování a zachování soukromí uživatele.

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
            
            // Aktualizace UI s počtem kroků
            DispatchQueue.main.async {
                // self.stepsLabel.text = "\(steps) kroků"
            }
        }
    }

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

Krokoměr na iOS a Androidu: API a možnosti

Na iOS se pro přístup ke krokoměru používá třída CMPedometer z frameworku Core Motion. CMPedometer poskytuje nejen počet kroků, ale také ušlou vzdálenost, počet pater (výstupů), tempo chůze a čas aktivity. Data jsou dostupná jak v reálném čase (startUpdates), tak za libovolné období v minulosti (queryPedometerData). Pohybový koprocesor (řada M) zpracovává data senzorů hardwarově, což snižuje spotřebu energie o 80% ve srovnání s softwarovým zpracováním.

Na Androidu je práce s krokoměrem realizována prostřednictvím dvou hardwarových senzorů: TYPE_STEP_COUNTER (kumulativní počitadlo kroků od spuštění) a TYPE_STEP_DETECTOR (generování události na každý krok). TYPE_STEP_COUNTER nevyžaduje kalibraci a nespotřebovává energii procesoru — data jsou aktualizována hardwarově na úrovni senzorového hubu. Pro přístup k nasbírané statistice kroků za den se používá Google Fit API se záznamem DataType.TYPE_STEP_COUNT_DELTA.

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) {}
}

Přesnost a omezení mobilního krokoměru

Přesnost krokoměru závisí na několika faktorech: umístění chytrého telefonu (v ruce, kapse nebo tašce), typu aktivity (chůze, běh, chůze do schodů) a kvalitě senzorů. Při nošení chytrého telefonu v kapse kalhot je přesnost 93–97%, v tašce nebo batohu klesá na 70–85%. Styl chůze uživatele také ovlivňuje přesnost: drobné krůčky s malou amplitudou zrychlení dávají více chyb než pravidelná chůze.

Hlavní omezení mobilních krokoměrů zahrnují: nemožnost počítání kroků při velmi pomalém pohybu (<1,5 km/h), falešné poplachy z jízdy dopravními prostředky, snížení přesnosti při běhu nízkou rychlostí (klus) a vliv gestikulace při mluvení. Pro minimalizaci chyb používají moderní aplikace kombinaci senzorů (akcelerometr + gyroskop + barometr) a strojové učení pro odfiltrování artefaktů. Barometr například pomáhá určovat chůzi do schodů a změnu nadmořské výšky, čímž vylučuje falešné kroky ve výtahu.