Differences

This shows you the differences between two versions of the page.

--- poppy-kine:gmmriemannian [2018/11/29 14:47]
m16devan [Code]
+++ poppy-kine:gmmriemannian [2020/07/03 17:25] (current)
mai ↷ Page moved from gmmriemannian to poppy-kine:gmmriemannian
@@ Line 104: / Line 104: @@
     * 3. Apprentissage des erreurs
 Le script 'learnErrorFeatures.m' permet d'apprendre les erreurs possibles pour un exercice. L'idée est d'apprendre à partir d'erreurs simulées la différence entre ces erreurs et le mouvement idéal. Ces différences sont apprise par un modèle SVM (Support Vector Machine) qui permet lors de l'analyse du mouvement de classifier l'erreur détectée comme une erreur déjà apprise.
+La première partie du code concerne les paramètres qui sont similaires aux parties décrites plus haut.
+Ensuite, la seconde partie permet de charger le modèle d'exercice idéal ainsi qu'un exercice de référence:
+<code matlab>
+% model
+load modelExo3
+exo=3;
+% data correct train
+dirTrain='data/Assis3Maxime/';
+fnameTrain='SkeletonSequence1.txt';
+[oriMatTrain,posMatTrain,dataTrain] = loadData(dirTrain,fnameTrain,filt,est,rem,ws,nbData);
+cuts=[0 model.cuts 300];
+</code>
+La troisième partie du code génère les caractéristiques d'erreurs pour chaque fichier d'erreur correspondant à la différence entre le mouvement d'erreur et le mouvement idéal appris. Ces différences sont calculées séparément par partie du corps et par segment temporel de l'exercice.
+<code matlab>
+% data Erreur train
+cptErr=0;
+for err=[1 2 3]
+    cptErr=cptErr+1;
+    dirTrain=sprintf('data/ErreursAssis3Maxime/erreur%i/',err);
+    for nf=1:nspp
+        fnameTrain=sprintf('SkeletonSequence%i.txt',nf-1);
+        [oriMatTrainErr{nf},posMatTrainErr{nf},dataTrainErr{nf}] = loadData(dirTrain,fnameTrain,filt,est,rem,ws,nbData);
+        [dataTrainErr{nf},r,allPoses,poses,motion,distFI] = temporalAlignmentEval(model, dataTrain,dataTrainErr{nf},fastDP);
+    end
+    Mtr=[];Mte=[];
+    for c=1:length(cuts)-1
+        for bp=1:3
+            diff1=[];diff2=[];
+            for nf=1:nspp
+                diff{nf}=[];
+            end
+            for t=cuts(c)+1:cuts(c+1)
+                for i=(bp-1)*3+1:(bp-1)*3+3
+                    for nf=1:nspp
+                        diff{nf}=[diff{nf} logmap(dataTrainErr{nf}{i}.data(:,t),dataTrain{i}.data(:,t))'];
+                    end
+                end
+                if bp<3
+                    for i=(bp-1)*3+10:(bp-1)*3+12
+                        for nf=1:nspp
+                            diff{nf}=[diff{nf} (dataTrain{i}.data(:,t)-dataTrainErr{nf}{i}.data(:,t))'];
+                        end
+                    end
+                end
+            end
+            Mtr{c}.bodypart{bp}=[];
+            for nf=1:nspp
+                Mtr{c}.bodypart{bp}=[Mtr{c}.bodypart{bp}; diff{nf}];
+            end
+        end
+    end
+    Train{cptErr}=Mtr;
+end
+</code>
+Il y a principalement deux choses à modifier dans cette partie. La première et le nombre de type d'erreurs. Dans l'exemple il y a 3 types d'erreurs //[1 2 3]//. La seconde variable à modifier est le chemin vers le dossier où sont stockés les exemples d'erreur //dirTrain//. A l'intérieur de ce dossier, il doit y avoir //n// dossiers appelés //erreur#n// où //#n// est remplacé par le numéro d'erreur.
+La quatrième partie concerne l'apprentissage du modèle SVM à partir des erreurs:
+<code matlab>
+% Learning SVM Modèle
+for c=1:length(Train{1})
+    for bp=1:length(Train{1}{c}.bodypart)
+        X=[];Y=[];
+        for err=1:cptErr
+            X=[X;Train{err}{c}.bodypart{bp}];
+            Y=[Y;err;err];
+        end
+        u=unique(Y);
+        numClasses=length(u);
+        for k=1:numClasses
+            G1vAll=(Y==u(k));
+            svmModelsSegmented{c}.bodypart{bp}.models{k} = fitcsvm(X,G1vAll,'KernelScale','auto','Standardize',true);
+            svmModelsSegmented{c}.exercise=exo;
+        end
+        G1vAll=ones(size(G1vAll));
+        svmModelsSegmented{c}.bodypart{bp}.errorModel = fitcsvm(X,G1vAll,'KernelScale','auto','Standardize',true);
+    end
+end
+</code>
+Enfin, la dernière partie permet de sauvegarder le modèle SVM (le nom //fname// peut être modifié) :
+<code matlab>
+% Save
+fname=sprintf('errorFeatures/errorFeaturesModelAssis3Maxime');
+save(fname,'svmModelsSegmented');
+</code>