Vor ein paar Tagen habe ich bereits erwähnt dass mir die Idee mit den Netflix Socken gefällt. Mir geht es leider oft so dass ich am Tag danach Folge um Folge meiner Serie (zur Zeit schaue ich gerade “The Man in the High Castle, nach dem Buch von Philip K. Dick) durchzappe um die Stelle zu finden an der ich eingeschlafen bin, nur um nach ein paar Minuten drauf zu kommen, dass das doch nicht die richtige Stelle war. Also wären solche Netflix Socken ein echtes Gimmick für mich, wären da nicht einige Zweifel am Konzept.
Erstmal habe ich kein Problem mit kalten Füßen, im Gegenteil, meine Füße sind beim Fernsehen immer sehr warm also ziehe ich eher Socken aus als Socken an. Dann ist da der Punkt mit den Akkus. Ich will wirklich nicht noch irgendein Gadget haben das ich die ganze Zeit aufladen muss. Zu guter Letzt sehe ich Filme meist mit meiner Frau also würde ich sogar zwei Paar Socken benötigen. Und um ehrlich zu sein: Ich bin nicht mal Netflix Kunde denn meiner Meinung nach ist Amazon Prime in Verbindung mit einem Fire TV Stick die bessere Wahl 😉 . Also habe ich die Idee das ganze Video-basiert zu machen. Ich bin mir zwar nicht sicher ob das funktionieren wird, vermutlich hätte mein Samsung Fernseher das bereits wenn es einfach wäre, aber ich will die Flinte nicht voreilig ins Korn werfen und mache mal eine kleine Machbarkeitsstudie.
Alle Schlaf-Tracker arbeiten nach dem gleichen Prinzip: Sie messen Körperbewegungen. Die Tracker machen das mittels Beschleunigungssensoren, ich möchte das mit meinem Raspberry mit Raspberry PI Cam machen. Für die Programmierung werde ich MATLAB/SIMULINK verwenden. Im Grunde handelt es sich dabei mehr um eine Programmier-Plattform als um eine Programmiersprache. Was auch immer es ist, ich mag es und es ist meiner Meinung nach das ideale Werkzeug für Ingenieure. Mathworks verfolgt mit ihrer Software dabei einen gängigen Marketingansatz. Für Studenten sind die Lizenzen sehr billig, dafür sind sie für den kommerziellen Einsatz sehr teuer (wirklich sehr teuer). Seit ein paar Jahren bieten sie aber auch eine Home Edition für Bastler an. Eigentlich sollte ich dafür keine Werbung machen denn ich finde diese “Home Edition” immer noch sehr teuer, für das System und ein paar Toolboxen ist mal schnell mehr als 200€ los (Also echt wieso muss es teuer sein als die Studentenversion!?!). Aber nachdem ich das System von der Arbeit kenne und schätze und sie viele Plattformen wie Raspberry, Arduino, Lego Mindstorms u.v.m unterstützen, will ich das als ambitionierter Hobbyist unbedingt auszuprobieren.
Nachdem man der Installationsprozedur gefolgt ist muß man noch das Hardware Support Package für Raspberry installieren. Ein Wizard führt durch den Prozess und am Ende hat man eine SD Karte mit Raspbian und der MATLAB Runtime drauf. In meinem Fall konnte das Setup die Netzwerkeinstellungen auf dem RasPI nicht durchführen also habe ich kurzerhand Maus, Tastatur und Monitor angeschlossen und das manuell gemacht. Will man sein Programm dauerhaft ausführen und den Raspberry nicht nur als Messsystem für den PC nutzen muß man SIMULINK verwenden. Ich werde nicht genauer auf das Handling und die Programmiersprache eingehen. Auf dem Mathworks Webseite findet man haufenweise Tutorials und Beispiele und auch das Internet in mittlerweile voll davon. Damit die RaspberryPI Cam funktioniert muß man nach den Installation ein paar zusätzliche Schritte ausführen.
Das SIMULINK Modell selbst ist wirklich einfach. Man muß nur den Kamera Block mit “Sum of absolute metrics”, einmal direkt und einmal durch einen Delay Block, verbinden. Dann folgt eine Typ Konvertierung und ein UDP Send. Zusätzlich habe ich einen Video Viewer eingebunden damit ich die Kamera später auf meine Couch ausrichten kann. Zum Testen verwende ich einen fertigen Socket Server den ich aus dem Internet heruntergeladen habe.
Zur Datenaufzeichnung verwende ich meinen Server den ich auch für mein Bewässerungsprojekt verwende. Zum Speichern meiner Daten lege ich dazu Tabelle namens tblmotion an.
|
1 2 3 4 5 6 7 8 9 |
CREATE TABLE `tblmotion` ( `dt` datetime(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6), `motionvalue` double DEFAULT NULL, `byte0` int(11) DEFAULT NULL, `byte1` int(11) DEFAULT NULL, `byte2` int(11) DEFAULT NULL, `byte3` int(11) DEFAULT NULL, PRIMARY KEY (`dt`) ) ENGINE=InnoDB DEFAULT CHARSET=latin1; |
Neben dem Bewegungsmesswert speichere ich auch noch die Bytes die mir SIMULINK schickt roh ab denn als ich das gemacht habe war es schon spät und ich war mir ehrlich gesagt nicht sicher ob die Umrechnung funktionieren würde. So hätte ich auch die Rohdaten gehabt und hätte die Umrechnung noch ausbessern können ohne mein Experiment zu wiederholen.
For die Programmierung des Socket Servers verwende ich mal wieder PHP. Um ein PHP Skript in der Shell direkt ausführen zu können benötigt man das Packet PHP-CLI.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 |
<?php $servername = "server"; $username = "user"; $password = "password"; $dbname = "templogg"; $conn = new mysqli($servername, $username, $password, $dbname); $socket = socket_create(AF_INET, SOCK_DGRAM, SOL_UDP); if (!$socket) die('Unable to create socket'); if (!socket_bind($socket, '10.0.0.3', 10004)) die('Unable to bind socket'); $data = ''; echo 'reading.'; while(true) { $data = @socket_read($socket, 15); $val=strval((ord($data[0])*1)+ (ord($data[1])*256) + (ord($data[2])*65536) + (ord($data[3])*16777216)); echo $val."\r\n"; $sql = "INSERT INTO tblmotion (motionvalue, byte0, byte1, byte2, byte3) VALUES (".$val.",".ord($data[0]).",".ord($data[1]).",".ord($data[2]).",".ord($data[3]).")"; $conn->query($sql); } $conn->close(); socket_close($socket); ?> |
Nach einem genüßlichen “Fernschläfchen” kann ich die Datenanalyse angehen. Dazu verwende ich auch MATLAB. Da ich die 30€ für die Database Toolbox gespart habe, exportiere ich meine Query einfach in eine CSV Datei und importiere diese in MATLAB. Da ich stolzer Besitzer eines Garmin Vivosmart bin, weiß ich auch dass ich irgendwann gegen eins eingeschlafen bin und tatsächlich ist um diese Zeit auch ein leichter Trend in den Daten zu erkennen.
Zur besseren Analyse mache ich ein bißchen Statistik. Ich bilde mir Standardabweichung, Mittelwert und Varianz für verschiedene Zeitperioden (1min, 5min, 10min, 20min) mittels SQL Abfragen, importiere das in MATLAB und plotte die Trends.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 |
%% Analyzing Motion Data - Electric Playground %% Initialize clear; clc; %% Data Import % Raw Data filename = 'C:\Temp\Bewegungstest.csv'; delimiter = ','; startRow = 2; formatSpec = '%{yyyy-MM-dd HH:mm:ss}D%f%f%f%f%f%[^\n\r]'; fileID = fopen(filename,'r'); dataArray = textscan(fileID, formatSpec, 'Delimiter', delimiter, 'EmptyValue' ,NaN,'HeaderLines' ,startRow-1, 'ReturnOnError', false); fclose(fileID); dt = dataArray{:, 1}; motionvalue = dataArray{:, 2}; byte0 = dataArray{:, 3}; byte1 = dataArray{:, 4}; byte2 = dataArray{:, 5}; byte3 = dataArray{:, 6}; clearvars filename delimiter startRow formatSpec fileID dataArray ans; % Aggregated Data 1 min filename = 'C:\Temp\Bewegungstest_agg1min.csv'; delimiter = ','; startRow = 2; formatSpec = '%{yyyy-MM-dd HH:mm:ss}D%f%f%f%f%[^\n\r]'; fileID = fopen(filename,'r'); dataArray = textscan(fileID, formatSpec, 'Delimiter', delimiter, 'HeaderLines' ,startRow-1, 'ReturnOnError', false); fclose(fileID); dt1min = dataArray{:, 1}; avg_motion1min = dataArray{:, 2}; std_motion1min = dataArray{:, 3}; var_motion1min = dataArray{:, 4}; clearvars filename delimiter startRow formatSpec fileID dataArray ans; % Aggregated Data 5 min filename = 'C:\Temp\Bewegungstest_agg5min.csv'; delimiter = ','; startRow = 2; formatSpec = '%{yyyy-MM-dd HH:mm:ss}D%f%f%f%f%[^\n\r]'; fileID = fopen(filename,'r'); dataArray = textscan(fileID, formatSpec, 'Delimiter', delimiter, 'HeaderLines' ,startRow-1, 'ReturnOnError', false); fclose(fileID); dt5min = dataArray{:, 1}; avg_motion5min = dataArray{:, 2}; std_motion5min = dataArray{:, 3}; var_motion5min = dataArray{:, 4}; clearvars filename delimiter startRow formatSpec fileID dataArray ans; % Aggregated Data 10 min filename = 'C:\Temp\Bewegungstest_agg10min.csv'; delimiter = ','; startRow = 2; formatSpec = '%{yyyy-MM-dd HH:mm:ss}D%f%f%f%f%[^\n\r]'; fileID = fopen(filename,'r'); dataArray = textscan(fileID, formatSpec, 'Delimiter', delimiter, 'HeaderLines' ,startRow-1, 'ReturnOnError', false); fclose(fileID); dt10min = dataArray{:, 1}; avg_motion10min = dataArray{:, 2}; std_motion10min = dataArray{:, 3}; var_motion10min = dataArray{:, 4}; clearvars filename delimiter startRow formatSpec fileID dataArray ans; % Aggregated Data 20 min filename = 'C:\Temp\Bewegungstest_agg20min.csv'; delimiter = ','; startRow = 2; formatSpec = '%{yyyy-MM-dd HH:mm:ss}D%f%f%f%f%[^\n\r]'; fileID = fopen(filename,'r'); dataArray = textscan(fileID, formatSpec, 'Delimiter', delimiter, 'HeaderLines' ,startRow-1, 'ReturnOnError', false); fclose(fileID); dt20min = dataArray{:, 1}; avg_motion20min = dataArray{:, 2}; std_motion20min = dataArray{:, 3}; var_motion20min = dataArray{:, 4}; clearvars filename delimiter startRow formatSpec fileID dataArray ans; %% plot data subplot(3,1,1); plot(dt1min,avg_motion1min,dt5min,avg_motion5min,dt10min,avg_motion10min,dt20min,avg_motion20min); title('Average'); ylim([5.5E5, 7E5]); subplot(3,1,2); plot(dt1min,std_motion1min,dt5min,std_motion5min,dt10min,std_motion10min,dt20min,std_motion20min); title('Standard Deviation'); ylim([0, 1E5]); subplot(3,1,3); plot(dt1min,var_motion1min,dt5min,var_motion5min,dt10min,var_motion10min,dt20min,var_motion20min); title ('Variance'); ylim([0, 1E10]); |
Das Ergebnis stimmt mich zuversichtlich.
Die Daten zeigen eine deutliche Änderung in der Zeit zwischen 00:30 und 01:00. Jetzt liegt es also daran einen verlässlichen Algorithmus zu finden. Ich denke ich werde mir demnächst man die Neuronal Network Toolbox herunterladen und damit ein bißchen spielen.
Wenn ihr wissen wollt wie es weiter geht dann bleibt dran!
