گام‌شمار در برنامه‌های موبایل: چیست، چگونه کار می‌کند و در کجا استفاده می‌شود

گام‌شمار در برنامه موبایل چیست؟

گام‌شمار (pedometer) در برنامه‌های موبایل — تابعی است که تعداد گام‌های کاربر را بر اساس داده‌های دریافتی از حسگرهای حرکتی داخلی گوشی هوشمند تعیین می‌کند. بر خلاف گام‌شمارهای مکانیکی گذشته، گام‌شمار موبایل از حسگرهای میکروالکترومکانیکی (MEMS) و الگوریتم‌های پردازش دیجیتال سیگنال برای شمارش دقیق حرکات استفاده می‌کند. پیاده‌سازی‌های مدرن نه تنها گام‌ها را می‌شمارند، بلکه فعالیت را طبقه‌بندی می‌کنند: راه رفتن، دویدن، بالا رفتن از پله.

یکپارچه‌سازی گام‌شمار در دستگاه‌های موبایل با ظهور پردازنده‌ی حرکتی M7 در iPhone 5s در سال ۲۰۱۳ ممکن شد که به طور مداوم داده‌های حسگرها را با حداقل مصرف انرژی جمع‌آوری می‌کرد. امروزه تمام گوشی‌های هوشمند مدرن از شمارش گام در سطح هاب حسگر پشتیبانی سخت‌افزاری دارند — یک تراشه اختصاصی که داده‌های حسگرهای اینرسی را بدون بیدار کردن پردازنده اصلی پردازش می‌کند.

شمارش گام در گوشی هوشمند چگونه کار می‌کند

شمارش گام در گوشی هوشمند بر اساس تحلیل سیگنال‌های شتاب‌سنج است که شتاب دستگاه را در سه محور عمود بر هم (X، Y، Z) اندازه‌گیری می‌کند. هنگام راه رفتن، هر گام یک الگوی مشخص شتاب ایجاد می‌کند: ابتدا یک پیک رو به بالا هنگام بلند کردن پا، سپس یک پیک رو به پایین هنگام فرود. فرکانس گام‌ها (کادنس) برای راه رفتن ۱۰۰–۱۳۰ گام/دقیقه و برای دویدن ۱۵۰–۱۸۰ گام/دقیقه و دامنه شتاب ۲–۶ متر/ثانیه² است.

پردازش سیگنال شتاب‌سنج

سیگنال خام از شتاب‌سنج حاوی نویز و تداخل فرکانس بالا است، بنابراین اولین مرحله پردازش — فیلتر پایین‌گذر (low-pass filter) با فرکانس قطع ۳–۵ هرتز است. پس از فیلتر، بردار شتاب محاسبه می‌شود: a = sqrt(x² + y² + z²) که شتاب مرتبط با حرکت را بدون توجه به جهت دستگاه استخراج می‌کند. سپس الگوریتم ماکزیمم‌های محلی در سیگنال را تشخیص می‌دهد — هر ماکزیمم مربوط به یک گام است.

برای کاهش تشخیص‌های نادرست (مثلاً هنگام تکان خوردن در وسایل نقلیه) معیارهای اضافی اعمال می‌شوند: حداقل دامنه گام (معمولاً >۱٫۲ متر/ثانیه²)، حداقل فاصله بین گام‌ها (۳۰۰–۴۰۰ میلی‌ثانیه برای راه رفتن) و بررسی تناوب سیگنال از طریق خودهمبستگی. اگر فواصل زمانی بین پیک‌ها نامنظم باشد، دنباله به عنوان حرکات تصادفی علامت‌گذاری شده و به عنوان گام محاسبه نمی‌شود.

تشخیص گام از طریق شتاب‌سنج

الگوریتم پایه تشخیص گام از روش تشخیص آستانه‌ای استفاده می‌کند: سیستم به دنبال لحظاتی می‌گردد که سیگنال شتاب‌سنج از آستانه تعیین‌شده عبور کرده و سپس به سطح سکون بازمی‌گردد. هر چنین رویدادی یک گام بالقوه محسوب می‌شود. دو رویکرد وجود دارد: تشخیص پیک (peak detection) و عبور از صفر (zero-crossing). تشخیص پیک ماکزیمم‌های سیگنال را ثبت می‌کند، و zero-crossing — لحظات عبور سیگنال از مقدار میانگین که وابستگی کمتری به دامنه گام دارد.

روش‌های آستانه‌ای و الگوریتم‌های تطبیقی

الگوریتم‌های مدرن شمارش گام از آستانه تطبیقی استفاده می‌کنند که به طور خودکار با سبک راه رفتن کاربر تنظیم می‌شود. سیستم واریانس سیگنال را در ۲–۳ ثانیه آخر تحلیل کرده و آستانه پویا را به عنوان انحراف معیار (RMS) ضرب‌شده در ضریب محاسبه می‌کند. این امکان را می‌دهد که گام‌ها را به درستی بشمارد هم در هنگام قدم زدن آهسته و هم در دویدن پرانرژی بدون کالیبراسیون متقابل بین انواع فعالیت.

الگوریتم‌های شمارش گام و یادگیری ماشین

پیاده‌سازی‌های مدرن گام‌شمار نه تنها از تشخیص پیک، بلکه از یادگیری ماشین برای طبقه‌بندی الگوهای حرکتی استفاده می‌کنند. مدل‌های شبکه عصبی بر روی هزاران ساعت ضبط حرکات واقعی از سناریوهای مختلف آموزش می‌بینند: راه رفتن روی سطح صاف، بالا رفتن از پله، دویدن، سفر با وسایل نقلیه. ویژگی‌های ورودی سری‌های زمانی شتاب‌سنج و ژیروسکوپ هستند و خروجی — احتمال اینکه بخش فعلی سیگنال مربوط به حرکت انسان باشد.

مدل‌های شبکه عصبی برای طبقه‌بندی فعالیت

بر اساس داده‌های تحقیق Google Activity Recognition، مدل‌های مبتنی بر شبکه‌های عصبی پیچشی (CNN) به دقت تشخیص راه رفتن ۹۸٪ در مجموعه داده‌های آزمایشی می‌رسند. در دستگاه‌های Apple از Core ML با مدل Activity Classification استفاده می‌شود که بر روی داده‌های بیش از ۱۰۰ هزار داوطلب آموزش دیده است. مدل‌های بهینه‌شده مستقیماً روی دستگاه کار می‌کنند (استنتاج روی دستگاه)، که پردازش فوری و حفظ حریم خصوصی کاربر را تضمین می‌کند.

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
            
            // به‌روزرسانی UI با تعداد گام‌ها
            DispatchQueue.main.async {
                // self.stepsLabel.text = "\(steps) گام"
            }
        }
    }

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

گام‌شمار در iOS و Android: API و قابلیت‌ها

در iOS برای دسترسی به گام‌شمار از کلاس CMPedometer از فریم‌ورک Core Motion استفاده می‌شود. CMPedometer نه تنها تعداد گام‌ها، بلکه مسافت طی‌شده، تعداد طبقات (بالا رفتن)، سرعت راه رفتن و زمان فعالیت را ارائه می‌دهد. داده‌ها هم در زمان واقعی (startUpdates) و هم برای هر دوره دلخواه در گذشته (queryPedometerData) در دسترس هستند. پردازنده حرکتی (سری M) داده‌های حسگرها را در سطح سخت‌افزار پردازش می‌کند که مصرف انرژی را ۸۰٪ در مقایسه با پردازش نرم‌افزاری کاهش می‌دهد.

در Android کار با گام‌شمار از طریق دو حسگر سخت‌افزاری انجام می‌شود: TYPE_STEP_COUNTER (شمارنده تجمعی گام‌ها از زمان راه‌اندازی) و TYPE_STEP_DETECTOR (تولید رویداد برای هر گام). TYPE_STEP_COUNTER نیاز به کالیبراسیون ندارد و انرژی پردازنده را مصرف نمی‌کند — داده‌ها در سطح هاب حسگر به صورت سخت‌افزاری به‌روزرسانی می‌شوند. برای دسترسی به آمار تجمعی گام‌های یک روز از Google Fit API با ثبت DataType.TYPE_STEP_COUNT_DELTA استفاده می‌شود.

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) {}
}

دقت و محدودیت‌های گام‌شمار موبایل

دقت گام‌شمار به چند عامل بستگی دارد: محل قرارگیری گوشی هوشمند (در دست، جیب یا کیف)، نوع فعالیت (راه رفتن، دویدن، بالا رفتن از پله) و کیفیت حسگرها. هنگام حمل گوشی در جیب شلوار، دقت ۹۳–۹۷٪، در کیف یا کوله‌پشتی به ۷۰–۸۵٪ کاهش می‌یابد. سبک راه رفتن کاربر نیز بر دقت تأثیر می‌گذارد: راه رفتن ریز با دامنه شتاب کم خطاهای بیشتری نسبت به راه رفتن منظم ایجاد می‌کند.

محدودیت‌های اصلی گام‌شمارهای موبایل عبارتند از: عدم امکان شمارش گام در حرکت بسیار آهسته (<۱٫۵ کیلومتر/ساعت)، تشخیص‌های نادرست ناشی از سفر با وسایل نقلیه، کاهش دقت در دویدن با سرعت کم (دوی آهسته) و تأثیر حرکات دست هنگام صحبت. برای به حداقل رساندن خطاها، برنامه‌های مدرن از ترکیب حسگرها (شتاب‌سنج + ژیروسکوپ + فشارسنج) و یادگیری ماشین برای حذف آرتیفکت‌ها استفاده می‌کنند. فشارسنج، به عنوان مثال، به تعیین بالا رفتن از پله و تغییر ارتفاع کمک می‌کند و گام‌های نادرست در آسانسور را حذف می‌کند.