محققان ازسه تکنولوژی اصلی برای تشخیص فعالیتهای انسان استفاده می کنند: بینایی کامپیوتر، حسگرفعال دیدن وRFID. بینایی شامل مقیاسپذیری وشناسایی خوب که حتی در مقابل خطا هم به کار خود ادامه می دهند، است. حسگر فعال دیدن شناسایی دقیق اشیاء را میسر می کند اما نیاز به باتریهایی دارد.RFID علامتهایی برای دقت تشخیص اشیاء همانند سیگنالهای فعال دارد و ازمزیتهای دیگر آن داشتن باتری مستقل است. اگرچه آنها شبیه حسگر راهنما نیستند پس میتوان گفت که آنها برای تخیص حرکت ناتوانند.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
با وجودیکه RFIDتشخیص فعالیتهای انسان را انجام میدهد، نویسنده دو روش مختلف دیگری را بیان کرده است که هر دو مبتنی بر RFID هستند. iBracelet که دورمچ دست قرار میگیرد، یک رنجی از RFIDاست واشیایی که از طریق مجاورت با دست مورد استفاده قرار میگیرد را تشخیص می دهد. پایه سنس و تشخیص بیسیم ) WISP) عضو خانواده RFIDاست که به آن حسگرهایی که حرکت اشیاء را تشخیص می دهند افزوده شده است.
دو شیوه تغییر وگسترش RFIDوجود داردکه هیچیک از این دو روش برای جستجو وکشف اشیاءبه باتری نیازی ندارند. سیستم WISPبرای تشخیص حرکت از حسگر فعال توانا تر عمل می کند. باتری مستقلی که توسط کارخانه شکل گرفته شده است از عواملی مثل علائم RFIDاستفاده میکند. سیستم iBracelet فقط از یک باتری برای توانا شدن مچ دست خواننده، استفاده می کند واطلاعاتی را درباره کسی که از آن استفاده می کند میدهد خصوصا اشیاء غیر قابل دسترس از طریق روشWISP. آن دستگاهی که دور مچ دست خواننده قرار گرفته اطلاعاتی را میدهد که باعث کنترل بیشتری روی سیستم می شود، از آنجایی که آنها به راحتی میتوانند آن را از کار بیندازد (با در آوردن آن) پس آنها به وسیله خواننده ثابت میشوند.
iGlove در سال ۲۰۰۳ساخته شد یعنی در زمانی که اولین تلاشها برای جستجوی اشیاء به وسیله RFIDبود.
۳-۱۱-تشخیص فعالیت در اندروید [۵۱]
-
- حسگرهای اندروید
-
- مکان یابی اندروید
-
- تشخیص صدای اندروید
-
- دیتابیس ساده SQLITE
۳-۱۲-تشخیص فعالیت کاربر در موبایل(دستاوردها، چالشها، توصیهها)
با چند میلیارد مشترک در سراسر جهان، تلفن همراه یک فرصت منحصر به فرد برای احساس تشخیص فعالیتهای انسانی از محل، نزدیکی و ارتباطاتداده ارائه میدهد.
جریان پژوهش مورد بررسی [۵۶] این است که چگونه تلفنهای همراه میتواندبرای شناسایی پیادهروی، سفرهای فضایی و اندازه گیری زمان صرف شده در خانه یا محل کار، در سراسر روزمورد استفاده قرار گیرد.با وجود تلاش قابل توجهو ادبیات نسبتا غنی در مورد این موضوع، میتوانید فقط دید که تشخیص فعالیت تا به حال ساخته و پرداخته شده است باجریان اصلی بازار تلفن همراه، همراه نشده است.
از طریق بسیاری از حسگرها، گوشیهای تلفن همراه امروزی نه تنها میتوانند اقدام به ضبط بشکل نا محسوس داشته باشند بلکه ارتباطات و مکان حضور افراد در طول روز را در نظر بگیرند. با بهره گیری از تکنیکهای یادگیری ماشین بر روی این داده ها، تشخیص فعالیت با هدف تعیین خودکار آنچه یک کاربردر یک زمان معینانجام میدهد انجام
میپذیرد.
برای مثال، مسافرت از نوسانات در سیگنالهای سلولی می تواند تشخیص داده شود و زمان در محل کار بودن می تواند با تشخیص بلوتوثهای فعال تلفنهای همراه همکاران یا کامپیوترهای رومیزی تخمین زده شود. علاوه بر این، شبکهبندی طبیعت و قابلیت های محاسباتی گوشیهای تلفن همراه آنها را خیلی بیشتر از فقط دستگاه های ارتباطی نشان داده و راهی برای برنامه های کاربردی جدید باز می کند. به طور خاص، تجزیه و تحلیل رفتار انسان از داده های تلفن همراه انتظار
میرود اجازه اشکال جدید بازاریابی هدفمند را میدهد، وبلاگنویسی تلفن همراه – پیشگام توسط توییتر، فیس بوک و گوگل طول و عرض – و تحقیقات جنایی را میدهد. پژوهش در تشخیص فعالیت توسط برنامه های کاربردی دیگر به ملزومات دیگر زندگی کاربر از جمله تدارکات، بهداشت و درمان، صرفهجویی در انرژی و سرگرمی سوق داده شده است. با وجود مزایای بسیاری از تلفن همراه به عنوان یک پلتفرم سنجش، از تلفن همراه مبتنی بر تشخیص فعالیت با موانع خاص که تاکنون عمدتا استقرار آن در مقیاس بزرگ میباشد روبرو هستیم.
هدف اول از این بخش تجزیه و تحلیل دستاوردها و چالشهای موجود در این کار است. کار تحقیقاتی این مقاله تعیین سه حوزه که به باور ما، شایسته در نظر گرفتن آنها در اولویت میباشد. نسل جدیدی از گوشیهای هوشمند – مشهور از طریق موفقیت تجاری، آیفون اپل – پیشرفته است که سنجش، پردازش و اتصال قابلیت های است که بسیاری از
تلاش های تحقیقاتی الهام بخش در هر دو صنعت و دانشگاه را بکار گرفته است ارائه میدهد .به منظور خدمت به این هدف دوم ما تدوین و فرموله کردن مجموعه ای از دستورالعملها و توصیه به افزایش میزان اعتبار و بهرهوری از جامعه پژوهش مورد نظر است.
یک دهه تحقیق در تشخیص فعالیتهای مبتنی بر تلفن همراه منجر به تصویب موفقیت آمیز دستگاه آماری تکنیکهای یادگیری و تشخیص قابل اعتماد از برخی ازفعالیتهای انسانی مربوط به مکانهای خاص و یا حالت حمل و نقل
میباشد. اولین روشهای تشخیص فعالیت اواخر s1970 و اوایل s1980 مبتنی بر استنتاج و از طریق استدلال منطقی برای اولین بار ساخته شدند. این حال، این چارچوب مبتنی بر منطق در عمل قابل استفاده نیست. آنها در واقع دارای دو محدودیت مهم بودند. اول، تمام توضیحاتی که آنها در نظر گرفته هم برابر بوده و به همین دلیل نمیتوانست تعیین کند که احتمال کدام یک زیاد بوده. ثانیا، عدم تحمل نویز و عدم اطمینان از داده های دنیای واقعی.
این محدودیت به ویژه در تلفن همراه مبتنی برتشخیص فعالیت از منابع بسیاری از نویز وجود دارد و عدم قطعیت در داده های تلفن همراه را به دنبال دارد. دستگاه می تواند خاموش شود، شارژ نباشد و یا فراموش شده باشد. مسائل با ارتباطی رادیو وجود دارد از قبیل پذیرش فقیر قابل استفاده در محیط داخلی و نوسان اتصالات.
تشخیص پیادهروی، رانندگی، باقی ماندن در خانه یا محل کار از آنجا که از قابلیت سنجش محدود از اوایل استفاده از تلفن همراه، تلفن همراه مبتنی بر سیستمهای تشخیص فعالیت به طور سنتی بر یک مجموعه کوچک از فعالیت متمرکز شده است. در بسیاری از موارد، فعالیتهای انسانی با دو پروکسی تقریب زده شده است، یعنی مکان و حرکت، که متناظربا دو نوع متعامد از تشخیص فعالیتها میباشد. محل تشخیص فعالیت باید متناظر با فعالیتهای مرتبط به
مکانهای خاصی باشد. تشخیص محل کار یا خانه کاربر از سیگنالهای تلفن همراه و بلوتوث مشکلات معمولی که در قسمت قبل مطرح شده است را به دنبال دارد. برای مثال، در مرجع۲ این مقاله سه ناحیه فعالیت – منزل، محل کار و جاهای دیگر – که بر سه خوشه محل و داده های بلوتوث مطابقت دارد اشاره دارد.
آنها اولینHMM در برای هر دو ساعت از روز و یک روز از هفته (روزهای هفته یا تعطیلات آخر هفته) ساختند و گزارش دقت بیشتر از ۹۵٪ بعد از آموزش مدل در یک ماه را دادند. در تشخیص فعالیتهای حرکتی، فعالیتهای کاربر بشکل انتزاعی به عنوان یک حالت حرکت و یاحالت های جابجایی در نظر گرفته می شود.
محلهای حرکت خاص می تواند با بهره گرفتن از سیگنالهای سلولی حتی بدون هیچ آگاهی در مورد محل برجهای سلولی شناسایی شود. برای مثال، نوسانات سیگنالهای GSMکه به طور مداوم نشان داده می شود برای تعیین اینکه آیا حامل تلفن همراه در حال راه رفتن، رانندگی در یک ماشین یا ایستادن است، با دقت ۸۰٪ -۸۹ ٪ کافی است .شتاب سنج تعبیه شده در گوشیهای سالهای اخیر می تواند در خدمت همان هدف و بیشتر برای تشخیص حرکات ظریف مانند نشستن، ایستادن و یا در حال راه رفتن مورد استفاده قرار میگیرد. البته برخی از مسائل مربوط به حریم خصوصی در ارتباط وجود دارد برای پیگیری رفتار مردم به طور مداوم از طریق گوشیهای تلفن همراه خودشان وجود دارد. یکی ازموانع توسعه تلفن همراه مبتنی بر تشخیص فعالیت هدف قرار دادن فعالیتهای ظریف میباشد.
به طور کلی، تشخیص فعالیتها شامل اجتماع نخواندن اطلاعات حسگر و دیگر ورودی ها با برخی از برچسبهای گرفته شده از مجموعه ای از فعالیتهای تشخیص داده شده است.
بنابراین این کار شامل(الف) تعیین مجموعه ای از فعالیت های مورد نظر و ( ب) اختصاص خواندن حسگر و دیگر ورودی های به فعالیت مناسب. ما در بخش قبلی دیدیم که تکنیکهای آماری ماشینهای یادگیری در انجام مرحله دوم از این روند بسیار موفق شده اند. سیستمهای تشخیص فعالیت برای تلفنهای موبایل، دستیابی با دقت نسبتا بالا را میطلبد، اما تنها برای پرداختن به یک مجموعه کوچک از فعالیتهای درشت دانه (و نه فعالیتهای ظریف).
در نتیجه، پیش بینی می شود بسیاری از برنامه های کاربردی در ابتدا نمی توانند به درستی اجرا شوند. برای مثال، یک دفتر یادآوری به صورت خودکار قادر به تشخیص قرارملاقاتهایی که کمتر در محیط دفتراتفاق میافتند، نمی باشد. در بسیاری از موارد، مکانهای ناهموار به عنوان جایگزین برای فعالیتها عمل می کنند. مشکل برای کاربردهای بالقوه این است که این تقریبها می تواند کاملا نادرست باشند. به عنوان مثال، ماندن در خانه آنچه که کاربردر حال انجام دادن آن است را به ما نمیگوید و در محل کار بودن معادل کار کردن نیست. تشخیص فعالیتهای مناسب دشوار است به۲ دلیل: اول، سخت افزار تلفن همراه به سرعت در حال تکامل میباشد. به عنوان مثال، برخی از فرصتهای جدید باز خواهند شد اگر استاندارد تلفن های همراه به RFID مجهز شود. در مرحله دوم، پتانسیل برنامه های کاربردی برای تلفن همراه که مبتنی بر تشخیص فعالیت هستند بسیار متنوع میباشد.
فصل چهارم
نتایج و تفسیر آنها
۴-فصل چهارم: نتایج و تفسیر آنها
۴-۱-مقدمه
در سالهای اخیر همگام با فنآوریهای سطح بالای در حال توسعه، تلفنهای هوشمند به نسل جدیدی از تلفنهای همراه تبدیل شده اند.گوشیهای تلفن همراه شامل حسگرهای بسیاری از قبیل دوربین، میکروفن، حسگر نور، حسگر دما، حسگر شتاب سنج، GPS ، حسگر جهتیابی، حسگر میدان مغناطیسی، حسگرهای فشارسنج، حسگرهای مجاورت (نوعی از حسگرها که قادر به تشخیص وجود اجسام نزدیک بدون هیچگونه تماس فیزیکی است و همچنین از آنجایی که صفحه نمایش لمسی که به لمس حساس هستند، این حسگر عمل خاموش کردن صفحه نمایش لمسی را در هنگام مکالمه انجام میدهد چرا که در صورت روشن بودن صفحه نمایش در صورت لمس با هر کدام از اعضای بدن امکان یک عمل مکانیکی در گوشی فراهم می شود) میباشند. در دسترس بودن این حسگرها فرصتهای هیجان انگیز جدیدی را برای برنامه های کاربردی مبتنی بر حسگر در بازار ایجاد کرده است .پروژه ما یک برنامه مبتنی بر حسگر برای اندروید است، که بشکل منبع باز است[۳۱]. ما از حسگر شتاب سنج برای شناسایی و ردیابی فعالیتهای فیزیکی که یک کاربر مانند راه رفتن، دویدن، دوچرخه سواری، نشستن، ایستادن، رفت و آمد در یک وسیله نقلیه استفاده میکنیم. این کار شناختن فعالیت یا آشکار سازی فعالیت نامیده می شود.شناختن فعالیت را میتوان با تجزیه و تحلیل داده های شتاب سنج و GPS به دست آورد.
۴-۲-جمعآوری داده ها
ما سیستم ردیابی موقعیت را در پلتفرم اندروید اجرا خواهیم کرد. اندروید یک سیستمعامل تلفن همراه منبع باز است که در برهسته لینوکس بنا شده است. SDK پلاگینی در آن است که بر روی Eclipse نصب شده است. کیت توسعه
نرمافزار آندرویدSDK) ) شامل مجموعه ای جامع از ابزار توسعه میباشد که این خود شامل یک مفسر[۳۲]، کتابخانه ها،
شبیهساز گوشی، اسناد و مدارک، نمونه کد و آموزش میباشد.آندروید SDK دارای یک چارچوب جاوا و با پشتیبانی یک API قدرتمند برای سخت افزارهای جاسازی شده در تلفنهای هوشمند میباشد.شکل ۴-۱ این لایه ها توضیح
میدهد:
۴-۳-تولید داده ها
در فاز اول این پروژه یک سیستم که با بهره گرفتن از حسگرهای مبتنی بر تلفن به شناختن (آشکارسازی) فعالیت می پردازد، طراحی شده است. این سیستم جمعآوری دادهها، برای پیگیری فعالیتهای کاربر با بکارگیری حسگرهای موجود در تلفنهای هوشمند پیادهسازی شده است. در این پروژه مقادیری را که از شتابسنج بدست آمده ارزیابی میکنیم. سیستم اطلاعات لازم برای پیگیری فعالیتهای کاربر نظیر راه رفتن، نشستن، ایستادن، دویدن و دوچرخهسواری را به عنوان فعالیتی ترکیبی جمعآوری می کند.این سیستم در تلفنهای هوشمند اندروید اجرا و میزان دقتی بررسی میگردد.
