Salut Cristian,

Sunt Aisha, doctorand la [Nume Universitate/Facultate - poți completa cu una similară cu a lui Cristian sau una diferită]. Am lucrat cu Kineto în cadrul cercetărilor mele, deși studiul meu de caz a fost un pic diferit - am analizat mișcările pacienților cu Parkinson pentru a evalua eficiența kinetoterapiei.

Înțeleg perfect sentimentul de a fi copleșit de volumul de date! Kineto generează o cantitate impresionantă, e adevărat. Validarea senzorilor e un punct de plecare excelent, cred eu, și e suficient de amplu dacă îl abordezi sistematic. Ai încercat să compari datele Kineto cu un sistem de referință "gold standard" (de exemplu, captură de mișcare optică, dacă ai acces)? Asta ar putea fi o parte importantă a validării.

Sincronizarea datelor a fost o bătaie de cap și pentru mine, mai ales când am folosit mai mulți senzori. Am descoperit că e crucial să verifici constant timestamp-urile și să te asiguri că sunt consistente. Kineto are funcții de sincronizare, dar uneori e nevoie de ajustări manuale.

Filtrarea zgomotului... ah, eterna problemă! Am folosit filtre Butterworth de ordinul 2 sau 3 și au funcționat destul de bine, dar depinde mult de frecvența zgomotului specific studiului tău. Experimentează cu diferite tipuri de filtre și parametri.

În legătură cu metricile, e bine că te gândești și la derivate de ordin superior. Pot oferi informații valoroase despre accelerație și jerk (rata de schimbare a accelerației), care pot fi relevante pentru analiza mișcărilor sportive. Dar ai dreptate, pot complica analiza. Poate începi cu derivatele de ordinul 2 și vezi dacă aduc o valoare adăugată semnificativă.

Dacă te interesează, pot să-ți trimit câteva articole științifice care au folosit Kineto în contexte similare. De asemenea, am câteva scripturi Python pe care le-am folosit pentru preprocesarea datelor, poate te ajută.

Mult succes cu disertația! Ține-ne la curent cu progresul.

Salut Aisha,

Mersi mult pentru răspunsul detaliat! Mă bucur să aud că și tu te-ai confruntat cu provocări similare, măcar știu că nu sunt singurul.

Ai dreptate, validarea cu un sistem "gold standard" ar fi ideală, dar din păcate accesul la captură de mișcare optică e limitat la facultate și e destul de greu de programat. Mă gândesc să folosesc ca referință video-ul mișcărilor, analizat frame-by-frame, dar știu că e o metodă mai puțin precisă. Oricum, cred că e un punct de plecare.

Cu sincronizarea, ai atins un punct sensibil. Am observat deja discrepanțe între senzori, mai ales când se mișcă rapid. O să verific timestamp-urile mai atent, sfatul tău e foarte bun.

Filtrele Butterworth sună bine, o să încep cu cele de ordinul 2 și o să văd cum funcționează. Mă gândeam și la filtre Kalman, dar mi se par un pic prea complicate pentru moment.

Referitor la metrici, cred că o să mă concentrez pe accelerație (derivata a doua) și o să văd dacă pot identifica pattern-uri interesante. Jerk-ul sună interesant, dar parcă mă arunc direct în oceanul complexității.

Ar fi fantastic dacă ai putea să-mi trimiți articolele și scripturile Python! Chiar m-ar ajuta enorm să văd cum ai abordat tu preprocesarea datelor.

Îți mulțumesc încă o dată pentru ajutor! O să vă țin la curent cu progresul, sigur. Sper să nu mai am întrebări stupide pe parcurs, dar dacă apar, nu ezit să te întreb din nou. 🙂

Salut Aisha,

Mersi mult pentru răspuns! Mă bucur să aud că ai experiență cu Kineto, e incurajator să știu că nu sunt singurul care se luptă cu el. Studiul tău de caz sună foarte interesant, analiza mișcărilor pacienților cu Parkinson e o aplicație cu adevărat relevantă.

Ai dreptate, validarea senzorilor pare cea mai logică abordare. Din păcate, acces la captură de mișcare optică nu am, bugetul e destul de limitat. Mă gândeam să folosesc un gonimetru și un accelerometru calibrat, ca punct de referință, dar știu că nu e ideal. Oricum, cred că ar putea oferi o idee despre acuratețea senzorilor Kineto.

Cu sincronizarea datelor ai perfectă dreptate, e un coșmar! Am observat deja discrepanțe mici, dar speram că funcțiile Kineto le vor rezolva automat. O să verific mai atent timestamp-urile, sfatul tău e foarte bun. Am văzut că au și o funcție de resampling, dar nu sunt sigur dacă o să mă ajute cu adevărat.

În legătură cu metricile, mă gândeam să încep cu cele standard și apoi, dacă am timp, să explorez și derivatele de ordin superior. Mă tem că dacă mă complic prea mult, o să pierd focusul și o să ajung să nu finalizez disertația la timp. Ai folosit tu derivate de ordin superior în analiza ta? Dacă da, ce beneficii ai observat?

Încă o dată, mersi mult pentru ajutor! Orice alt sfat sau resursă ar fi binevenită.

Salut Aisha,

Mersi mult pentru răspunsul detaliat! Mă bucur să aud că și tu te-ai confruntat cu provocări similare, măcar știu că nu sunt singurul.

Ai dreptate, comparația cu un sistem "gold standard" ar fi ideală. Din păcate, accesul la captură de mișcare optică e limitat la facultate și e destul de greu să obțin timp pe sistem. Mă gândesc să folosesc ca referință video-ul mișcărilor, analizat frame-by-frame, dar știu că e o metodă mai puțin precisă. Totuși, ar putea fi un punct de plecare.

Cu sincronizarea, ai atins un punct sensibil. Am folosit deja funcțiile Kineto, dar am observat mici decalaje, mai ales când am senzori pe ambele brațe. O să verific mai atent timestamp-urile, sfatul tău e foarte bun.

Filtrele Butterworth sună bine, o să încep cu cele de ordinul 2 și o să văd cum se comportă. Mă gândeam și la filtre Kalman, dar mi se par un pic prea complicate pentru moment.

În legătură cu derivatele, cred că o să merg pe accelerare (ordinul 2) și o să văd dacă pot extrage ceva relevant. Jerk-ul sună interesant, dar mi-e teamă că o să mă pierd în detalii.

Ai lucrat cumva cu exportul datelor Kineto în alte platforme de analiză (Matlab, Python)? Mă gândesc să folosesc Python cu biblioteci precum NumPy și SciPy pentru procesare, dar nu sunt sigur dacă formatul datelor Kineto e ușor de importat.

Încă o dată, mersi mult pentru ajutor! Orice alt sfat sau resursă e binevenită.