英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
使用马氏平滑推进Android的行为识别服务
摘要：市场快速转向多功能手机设备为支持活动识别使用这些设备的机载传感器创造了一个机会。在过去十年中，许多活动的识别方法已在不同环境的各种活动被提出了。耐磨传感器和增强的环境中可能有更好的准确度，然而实施用户移动设备行为识别也吸引了显著的关注。这是因为对环境和更容易应用的需求少部署。许多解决方案已经提出了由学术界，但实际使用被限制在测试床实验。2013年，谷歌在Android上发布了一个活动识别服务，把这项技术进行测试。凭借其巨大的市场份额，影响是显著。在本文中，我们提出了一个本次活动识别服务和共享的系统评价的教训。通过我们的实验中，我们发现的情景其中，识别的准确率是勉强可以接受。至提高其精度，我们开发ARshell中，我们运用马尔科夫顺畅到后处理由所产生的结果识别服务。我们的评估实验证明显著相比于原始结果时提高了精度。作为对社会的贡献，我们开源ARshell在GitHub上为应用程序开发谁对这个有兴趣活动识别服务。
一.引言
移动连接设备的数量增长到7十亿在2013年，用半个十亿在一个一年以上[1]。微型，但功能强大，多功能移动设备已经提振从台式机市场转移到“薄”客户端设备。随着其超薄设计，许多移动设备都配备与车载传感器与各种感测功能，包括位置，加速度和方向。
这些新增的功能已经启用手机新用途设备。其中之一，移动设备基于行为识别，一直是研究的活跃领域几乎一十年[2]。许多现有的方法是基于定制可穿戴式传感器[3]，环境增强[4]或它们的组合[5]。然而，也有相当数量的基于传感器数据的行为识别工作移动设备。行为识别的典型过程包括数据采集，特征提取，分类培训，在测试数据集和活动的认可的多数方法行为识别利用机器学习技术Map嵌入感应到的数据模式人类活动。仅举几例，它们包括朴素贝叶斯，贝叶斯网络，隐马尔可夫模型，决策树和支持向量机。也有混合动力模式，将多个简单的模型，以进一步提高识别准确性，如[6]，[7]。
制定准确的行为识别算法要求的背景，这是不为开发一个必须的工具。为了简化使用这些技术，谷歌宣布其在2013年，所以Android行为识别（AR）的服务，而不是要经过数据收集的整个过程中，特征提取和分类器训练，软件开发者可以通过一个API利用此AR服务。最初四种类型活动得到了支持：静止，步行，骑自行车，在车辆和未知。在更新时，三个活动添加：散步，跑步和倾斜。根据其documentations1，Android的AR服务使用的低功耗，车载传感器来识别用户的当前高效的能源消耗体力的活动。
在本文中，我们提出了一个系统性的定性和此AR服务的定量评价，用进球究其准确性，延迟和复杂性。基于其他参考来源，与我们的实验在一起，我们展示方案，其中此AR服务将执行不好。然后，我们提出我们的解决方案-ARshell-后处理步骤，其使用马尔可夫顺畅，提高了总体精度高达19％，在所有类别的认可。我们发布ARshell作为在GitHub上的开放式源代码研究人员和开发人员谁可能是贡献有兴趣在此的AndroidAR服务。除了提高Android的AR服务的整体精度，ARshellAPI简化在Android中使用AR服务的任务有关的研究项目和应用开发。
在本文中提出两个贡献：
bull;Android的AR服务的系统评价;
bull;有效和轻量化后处理方法来显著提高对AR的精度。
本文的其余部分安排如下。部分二介绍了关于表彰活动相关的工作。第三节介绍了AndroidAR服务的评价。这是其次是我们提出的解决方案-ARshell-于第四节。第五节总结全文。
二.相关工作
在AR早期的方法通常采用多个传感器附着在人体的各种位置，和研究人员可以表征人类的区域的特定运动机身采用来自该区域的传感器数据。鲍等。[8]提出一个方法来识别具有多个传感器的身体活动安装在可以对人体不同的位置。参与者们被要求进行日常活动和样品手动注释。笔者从提取特征注释的数据，例如平均，能量和频域熵，然后训练和测试多分类，并找到一个决策树来实现最高的精度。使用耐磨传感器带来良好的活性识别的准确率，但对人的主体安装多个传感器很麻烦和不实际的大规模使用。
近年来，随着移动设备的普及，尤其是智能手机，很大的努力已经取得了杠杆其机载传感器的行为识别。智能手机通常包含多个传感器，包括GPS，摄像头，麦克风，加速计，光线感应器和距离感应器等。使用这些车载传感器，移动设备提供了一个为了提供用于数据挖掘传感器读数机会行为识别。存在执行上的许多建议行为识别与移动设备。Kwapisz等。[9]提出所收集的活动识别系统从29名与会者标加速度计数据从事体力活动，如散步，慢跑，爬楼梯，坐在和在他们的口袋单个器件站着。该时间序列数据被聚集成10秒的时间间隔采样并功能，如平均值，标准偏差，平均绝对差值，平均值合成加速度，峰值之间的时间并分级分布提取基于所收集的数据。最后，多个预测模型（决策树，物流回归，多层神经网络）已建成行为识别。作者的结论是散步和慢跑达到最高的准确性而走下楼楼上是最困难的区分因其类似的模式。邻省等。[10]探索的作用陀螺仪和磁强计的智能手机活动承认。他们试验了四种车身位置使用7分类同时承认六个物理活动。他们得出的结论是加速度计和陀螺仪互补其他一般，然而磁力不是那么有前途由于其对方向的依赖性。与相比在非移动设备的活动识别解决方案中，识别是相对较不准确由于有限数目和类型的移动设备上的传感器。
以前的作品还提出了多种技术解决附带的智能手机应用程序的问题。例如，Hemminki等人[11]提出来提取重力消除水平加速度，以实现取向鲁棒性考虑移动的自由载手机。为了节能，对文献[12]提出了一种基于预测的节能活动的认可。该当前和历史上下文信息已使用的以预测未来可能的活动，并且只的一个子集传感器被激活，以区分是活动可能发生。前川等人。[13]解决问题行为识别的可扩展性。他们所采用的最终用户信息来找到其他用户具有相似的传感器数据，仿照无人监督的方式对最终用户的活动从那些相似的用户的数据。在[14]中，作者提出培训应对个性化的方法一般和特定于用户的分类，并使用一元分类以确定哪个分类器更可能提供正确预测。
虽然研究了大量的已进行列于移动设备上的行为识别，也没有适用于Android应用程序活动识别服务开发者在AndroidAR服务之前。此服务潜在的革命性移动的发展能够提供更好的用户体验的应用程序。然而，此AR服务的有效性取决于它的精确性，延迟和复杂性。
三．评估ANDROID行为识别
谷歌在Android操作系统的AR服务支持系统提供了访问活动表彰为开发商Android应用程序。通过ARAPI，移动应用程序可以将活动识别无需处理在原始传感器数据模式分析的复杂性。根据到文档中，AR服务捆绑在一起与位置服务，是谷歌播放的一部分服务APK。要访问AR服务，移动应用必须可以用一个特殊permission2授予和被连接到播放服务APK。识别结果作为发送通过一个回调函数的更新。类似的位置在Android的更新服务，移动应用程序可以指定一个首选更新间隔。每当一个位置更新是可用的，Android操作系统将触发回调函数与新位置值。此外，移动应用程序应该定义方法启动和的服务和错误处理停止。我们进行使用演示代码我们的评估提供，具有记录测量额外的代码。
A.实验装置
所有实验中都在实际的Android进行设备。是一个安装程序的详情如下：
bull;Android设备：600Mhz处理器的HTCDesireCcedil;和512MB内存，三星GALAXYNexus与1.2GHz双核处理器和1GB内存，并三星NOTEII1.6GHz四核处理器和2GB内存，
bull;实验期间：实验所开展作者在两周3000分钟的数据已被使用前述记录在各种情况下（固定，散步，跑步器，骑自行车，和车辆）。至于倾斜，它的措施在重力的相对变化，是出现在我们的测量结果异常的瞬间动作。因此，我们把倾斜在我们的实验噪音。所有的实验数据记录与一个人标签（如地面真理）。我们采样输出的数据从AndroidAR服务每一秒，我们两个小时每个活动收集的数据。
B.延迟
更新间隔参数的设计是折衷测量值的新鲜度和之间的平衡能量消耗。开发者应该选择一个合适的根据其应用的需求值。为了更好地了解AR服务的延迟特性，我们进行实验来研究的预热时间，这从AR首个认可的事件之前的延迟服务之间，以及两个连续确认的延迟由AR服务报告事件。
图1示出的累积分布函数（CDF）的延迟的两个方面。作为预热时间，我们进行多个实验以测量平均升温时间和标准偏差。结果是18.3秒和13.9S，分别。此外，图图1（a）示出了预热时间可以长达30秒以上在10％左右我们的实验。从开始的最短等待时间服务于接收到第一识别是平均3秒。
传感器数据被连续产生，并流为模式匹配对AR的服务。有人可能会认为我们应该接受新的后收到活动更新传感器的数据，但它不是这种情况。大多数机器学习基于模式识别方法使用一个窗口采样数据。模式匹配施加在传感器这个窗口的范围内的数据。由于缺少获得了AR服务的源代码，我们不能确定确切的窗口的大小。相反，我们试图测量两个连续的识别事件之间的时间延迟近似的最小间隔软件开发人员可以用于接收活动更新。我们进行了实验与固定到0秒的时间间隔，和所收集的数据样本一个多小时（约千测量）。在我们的实验中，绝对接收之间的最小延迟两个连续的活动更新大约为0.5秒。如图所示在图1（b）中，数据样本的略超过80％显示出延时小于3.5秒。此外，以下的最小延迟3.4s为与低于4％的概率发生罕见的情况下。在一些极端的情况下，延迟可以扩展到如只要35秒。
在另一组实验中，我们调查是否一个较大的间隔将增加识别的准确性。根据我们的研究结果，不同的时间间隔设置不影响精度。因此，我们用10秒为间隔我们的实验中休息。
C.精度
精度的有用性的直接量度识别算法。在这一小节中，我们评估各种场景的AndroidAR服务的性能。类似于大多数建议的AR的解决方案，在识别收集足够的数据样本后，窗口中，在AR服务提出了最有可能的活动和的可能的活动列表中，每一个附加的置信度值范围为1至100。也就是说，{（amost，cvmost），[（A1，CV1），（A2，CV2），...，（一，CVN）]}。如果活动amost具有100置信度值cvmost，它意味着活性的绝对确定性和可能列表活动[（A1，CV1），（A2，CV2），...，（一，CVN）]是除了空行走和跑步。由于这两项活动都是子活动徒步，这两个子活动之一的简历可100如果步行的CV是100.我们聚集每一项活动的结果和集体提出他们混淆矩阵，如表I中的混乱矩阵中，第一列包含了标记的名称活动（或活动测试）。最后一列（表示作为Aaggr）是在AR服务的聚合准确性正确识别被测的活性。列之间第一个和最后列是一个正确的分布和假分类每个活动。标签Aavg指示在所有活动的整体精度在所有实验。
我们通过比较计算出的AR服务的精确度amost与一个相应的人的标签活动alabel测量序列。因此，在测量的序列由AR服务报告汇总准确性Aaggr，为活动键入cisin;C的计算公式为其中[]等于1，如果它被评估为真，0除此以外。在所有的活动类型的平均准确AavgC被计算为
1）固定：有固定的两种基本形式方案：（i）当用户在坐着或站着不动而持下在他/她的手的测试设备，或具有它在一个口袋，和（ii）当被测设备搁置在一固定结构，如桌子。后者的情况下实现了超过95％的准确性。但它代表不带场景相比于在所有和运动略少有趣前场景，其中实现精度的52％。由于AR服务实现关于后者的情况下合理的精度，表I仅示出了前者的情况下的细节。我们可以看到从表中的误分类的活动48％被分布在其他活动。如在[10]，在AR服务提到可能利用了加速度计和陀螺仪的认识到这一活动。我们推测，这些不准确是由于无法保持移动设备的绝对静止。软件开发人员应该小心了意的是固定的。
2）步行：在2014年更新，谷歌进一步改善在AR服务进行分类走路和跑步之上徒步，可能与另外的传感器输入。由于不同的速度和运动，当人们走或跑，我们研究了识别这两个子活动的精度。在混淆表中显示的数据证实了我们的怀疑。当用户正在运行的其他活动甚至报道以恒定的速度。一个标准的回退是报告用户是步行，只要传感器读数不显着并且不能在两个子活动之间进行区分。什么时候以较低的速度运行时，数据报告来自加速度是不能作为快速运行的显著，而不是作为谦虚步行。因此，认识到跑步时不准确相比散步。从逻辑上讲，无论是行走和跑步是步行的子活动。我们认为，步行是正确的识别这两个子活动。
3）自行车：至于自行车，我们注意到，约32％样本已经误列为倾斜。反映倾斜即相对于重力设备角显著改变。此当设备从一个台拾取经常发生或坐在椅子上站了起来。当在崎岖路面上骑自行车，垂直加速度是典型地更显著相比自行车运动在平坦的道路。我们的实验结果表明低在崎岖路面上行驶时的准确性。在这些情况下，一数据的很大一部分已经误列为倾斜。
4）车辆：关于车辆的AR服务执行得更好时，用正常的车辆移动或相对高的速度，当车辆正在停止小于或慢慢地移动。因此，我们分别标有这两种情况（标车辆一般速度为VN移动，和车辆停止或以缓慢移动作为VS）到详细的评估准确度。VN（88％）的精度更好比VS（41％）的，因为对于VS水平加速度是不太明显有车辆在慢动作或静止。每个间隔后，在AR服务报告的列表可能的活动，与相应的置信度值。我们进行了时有发生的情况进行详细的研究从一个活动到另一个的转换。图2示出了在列表中的每个类的活动，信心值由AR服务报告的可能的活动，而图的底部显示按标有真正活动人性化。我们强调的最可能的活性（与最高置信度）与圆。我们注意到，大多数错误分类对于车辆在发生时间时，总线正在停止或静止的（例如，在一个之间zone1的和b）。该AR服务报告，用户是静止的。它是逻辑上是正确的。然而，由于用户仍然里
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[154100]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
