Differences

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

--- poppy-kine:gmmriemannian [2018/11/29 14:48]
m16devan [Code]
+++ poppy-kine:gmmriemannian [2020/07/03 17:25] (current)
mai ↷ Page moved from gmmriemannian to poppy-kine:gmmriemannian
@@ Line 106: / Line 106: @@
 La première partie du code concerne les paramètres qui sont similaires aux parties décrites plus haut.
-Ensuite, la seconde partie permet de charger
+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>