De nos jours, l'intelligence artificielle révolutionne tous les aspects de la société en combinant les avantages de l'exploration de données et de l'apprentissage profond. L'intelligence artificielle peut maintenant être utilisée pour analyser de grandes quantités de données, identifier des modèles, fournir une compréhension interactive. Un exemple de ce développement innovant est l'application de l'intelligence artificielle aux données générées par les capteurs, en particulier à partir des smartphones et d'autres appareils grand public.Les données des capteurs de mouvement et d'autres informations, telles que les adresses GPS, peuvent fournir différentes informations. Donc, la question est: «Comment utiliser l'intelligence artificielle pour tirer le meilleur parti de ces synergies?
Exercice d'analyse de données
Une application illustrative du monde réel sera capable d'analyser les données d'utilisation pour déterminer l'activité de l'utilisateur à chaque période de temps, que ce soit assis, marcher, courir ou dormir.
Dans ce cas, les avantages des produits intelligents sont évidents:
1. Augmenter la valeur du cycle de vie du client Augmenter l'engagement des clients réduit le taux de désabonnement des clients 2. Positionnement plus concurrentiel des produits La nouvelle génération de produits intelligents répond aux attentes croissantes des consommateurs 3. Créer une valeur réelle pour les utilisateurs finaux
La détection et l'analyse précises du mouvement intérieur permettent une navigation intelligente, la surveillance des risques pour la santé et une efficacité accrue des appareils. La maîtrise approfondie des scénarios d'utilisation réels pour de nombreux smartphones et plates-formes portables aidera grandement les concepteurs de produits Comprenez les habitudes et les comportements répétés des utilisateurs, tels que la détermination de la taille de batterie correcte ou la détermination du moment approprié pour envoyer des notifications.
L'intérêt pour les fonctions d'intelligence artificielle augmente chez les fabricants de smartphones, soulignant l'importance d'identifier des activités quotidiennes simples, comme le nombre d'étapes, qui se développeront sûrement en analyses plus approfondies telles que les activités sportives. Sports populaires, les concepteurs de produits ne se concentrera pas seulement sur les athlètes, mais facilitera plus de gens, tels que les entraîneurs, les fans et même les radiodiffuseurs tels que les diffuseurs et les entreprises de conception de vêtements de sport. Ces entreprises seront des données profondes Bénéficiez de l'analyse, qui peut quantifier, améliorer et prédire avec précision les performances.
Acquisition de données et pré-traitement
Après avoir identifié cette opportunité commerciale, la prochaine étape logique consiste à réfléchir à la manière de rassembler efficacement ces énormes ensembles de données.
Dans le suivi d'activité, par exemple, les données brutes sont collectées par des capteurs de mouvement axiaux tels que des accéléromètres et des gyroscopes dans des smartphones, des dispositifs portables et d'autres dispositifs portables qui prennent trois axes (x, y, z), c'est-à-dire suivre et évaluer continuellement les activités d'une manière qui soit pratique pour l'application de l'utilisateur.
Modèle de formation
Pour l'apprentissage supervisé de l'intelligence artificielle, il est nécessaire de former des «modèles» avec des données de balisage afin que le moteur de classification puisse utiliser ce modèle pour classer le comportement réel de l'utilisateur. Par exemple, nous collectons des exercices des utilisateurs qui courent ou marchent. Données, et de fournir cette information au modèle pour les aider à apprendre.
Comme il s'agit essentiellement d'une méthode unique, une simple application et un système de caméra peuvent accomplir la tâche d'étiqueter les utilisateurs, et notre expérience montre que plus le nombre d'échantillons augmente, plus la classification des taux d'erreur humaine suit Il est donc plus logique d'obtenir plus d'ensembles d'échantillons d'un nombre limité d'utilisateurs que d'obtenir de plus petits ensembles d'échantillons à partir d'un plus grand nombre d'utilisateurs.
Obtient uniquement les données du capteur brut ne suffit pas. Nous avons constaté que pour obtenir la classification très précise, doivent déterminer soigneusement quelques-unes des caractéristiques que le système a besoin d'être dit de distinguer les séquences de fonction ou activité importante. Processus manuel d'apprentissage a une répétition, en étape de pré-traitement, qui présente le plus important est pas encore clair. Par conséquent, l'équipement doit être effectué selon une certaine spéculation pourrait affecter la précision de la classification des compétences.
Afin d'identifier des activités, peuvent inclure des caractéristiques indicatives « signal filtré », par exemple, l'accélération du corps (accélération des données brutes provenant des capteurs) ou « signal dérivé », par exemple, transformée de Fourier rapide (FFT) La valeur ou l'écart type.
Par exemple, l'Université de Californie, Irvine, base de données d'apprentissage automatique (UCI) a créé une définition des caractéristiques des 561 ensembles de données, cet ensemble de données avec six activités de base de 30 volontaires, soit debout, assis, couché, marche , sur les marches et sur les étapes à la fondation.
Reconnaissance de modèle et classification
Après avoir recueilli les données de mouvement brutes, nous avons besoin d'appliquer des techniques d'apprentissage machine pour classer et analyser. Nous utilisons des techniques d'apprentissage machine sont disponibles à partir du réseau de neurones de régression logistique pour ne citer que quelques-uns. Encouragez les machines à vecteurs (SVM) est telle une Les modèles d'apprentissage appliqués à l'intelligence artificielle L'activité physique, telle que la marche, consiste en une séquence de mouvements multiples, ce qui est un choix raisonnable pour classer les activités, car elle est bonne à la classification des séquences.
L'utilisation, la formation, l'extension et la prédiction des machines vectorielles de support sont simples, de sorte que plusieurs expériences de collecte d'échantillons peuvent être facilement juxtaposées pour la classification non linéaire d'ensembles de données complexes complexes. Différentes tailles et optimisation des performances.
Après l'identification d'une technique, nous devons choisir une bibliothèque logicielle pour SVM Librairie Open Source LibSVM est un bon choix car elle est très stable et possède un enregistrement détaillé, prend en charge plusieurs classifications et fournit toutes les principales plateformes de développement de MATLAB à l'extension Android.
Poursuite de la classification du défi
Dans la pratique, l'utilisateur tout en se déplaçant, utiliser l'équipement pour effectuer la classification en temps réel pour identifier les activités. Afin de minimiser le coût du produit, nous ne devons pas affecter les résultats est la qualité de l'information en partant du principe, la transmission équilibrée, le stockage et Le coût du traitement.
On peut supposer que la charge des coûts de transmission de données, toutes les données peuvent obtenir stockées et traitées dans le nuage. En fait, cela apportera d'énormes coûts de données pour l'utilisateur, l'appareil de l'utilisateur de se connecter à Internet, bien sûr, une connexion Wi-Fi, Bluetooth, ou d'un module 4G les coûts inévitablement appelé à augmenter le coût des équipements. pire encore, dans les zones non-urbaines, l'accès aux effets du réseau 3G ne sont généralement pas idéal, comme la randonnée, le vélo ou la natation. cette dépendance à l'égard des transferts de données dans le nuage les mises à jour ralentiront et la nécessité d'une synchronisation régulière, ce qui a plus que compensé les avantages de l'analyse de l'intelligence artificielle de mouvement réel apporte. en revanche, le traitement uniquement sur le périphérique de processeur hôte de ces actions seront évidemment conduire à une augmentation de la consommation d'énergie et de réduire Autres cycles d'exécution des applications De même, le stockage de toutes les données sur l'appareil augmente les coûts de stockage.
Rond à carré
Afin de résoudre ces problèmes en conflit, nous pouvons suivre les quatre principes: 1. Split - mettra en vedette split traitement d'exécuter le moteur de classification.
2. Réduction - sélection intelligente de la reconnaissance de l'activité désirée comportent précise, ce qui réduit la demande pour le stockage et le traitement.
3. - un capteur à utiliser peut être obtenue avec des données de faible consommation d'énergie, le mode de réalisation de la fusion de la sonde (la combinaison de données provenant de plusieurs capteurs), et peuvent être caractérisées en tant que prétraitement effectué en continu.
4. Réservé - Réservé capable de déterminer des données de support de système modèle d'activité de l'utilisateur, caractérisé en divisant le moteur de classification de traitement effectué, un processeur couplé à l'accéléromètre et un capteur gyroscopique peut être beaucoup plus petite qui permet d'éviter efficacement séquentiel de blocs en temps réel pour les besoins des processeurs plus puissants. pour un tel signal de domaine temporel en un domaine de fréquence caractéristique de la transformée de Fourier rapide du traitement de signaux nécessitant processeur de fusion de faible consommation d'énergie pour effectuer des opérations en virgule flottante .
En outre, dans le monde réel, il y a un seul capteur physiquement limité, et les sorties d'écart au fil du temps, par exemple en raison de l'offset et la non-linéarité provoquée par le soudage et l'échelle de température. Pour compenser ces irrégularités, exigent la fusion de capteurs, et rapide , Calibrage en ligne et automatique.
En outre, le taux de capture de données sélectionnée peut affecter de manière significative le calcul désiré et le montant du transfert. En règle générale, le taux d'échantillonnage 50Hz pour l'activité humaine normale est suffisante, mais quand les activités sportives en mouvement rapide ou une analyse, a besoin de 200 Hz fréquence d'échantillonnage. de même, afin d'obtenir un temps de réponse plus rapide peut être de 2 kHz accéléromètres montés séparément pour déterminer l'objet utilisateur.
Pour relever ces défis, ou une plaque tournante du capteur d'application spécifique de faible puissance peut réduire de manière significative les cycles CPU requis pour le moteur de classification, comme le Bosch Sensortec BHI160 et BNO055 deux produits est que le moyeu du capteur. Logiciel directement dans les différents débits de données de capteurs Générer la sortie du capteur fusionné directement.
Dans lequel la sélection initiale alors traitée affectera grandement la taille du modèle de formation, et la quantité de données de formation, et la puissance de calcul nécessaire à la prédite exécutée. Ainsi, la caractéristique distinctive classification des activités spécifiques et la sélection souhaitée est une clé Les décisions, mais aussi très susceptibles d'être un avantage commercial important.
Rappelant la base de données d'apprentissage automatique UCI nous l'avons mentionné ci-dessus, il a 561 dispose d'un ensemble complet de données, en utilisant l'activité de modèle de formation par défaut libsvm de base précision des tests de classement aussi élevé que 91,84%. Cependant, après l'achèvement de la formation et des fonctionnalités de classement, sélectionner suffisamment pour atteindre 85,38% de la précision des tests de classification des activités. après un examen attentif du classement, nous avons constaté que la caractéristique la plus pertinente de transformation est le domaine de fréquence moyenne des données brutes ainsi qu'une accélération de la fenêtre coulissante, les valeurs maximales et minimales fonction la plus importante 19 Fait intéressant, ces caractéristiques ne peuvent être atteints uniquement par le prétraitement, fusion de capteurs pour assurer une fiabilité suffisante des données est nécessaire, et donc particulièrement utile pour la classification.
Conclusion
Dans l'ensemble, le développement de la science et de la technologie a atteint un appareil portable fonctionnant sur l'intelligence artificielle de pointe pour analyser le degré de données des capteurs de mouvement. Ces capteurs modernes fonctionnent à faible puissance et partitionnement logiciel de fusion de capteurs et d'améliorer considérablement l'efficacité et la faisabilité de l'ensemble du système , Mais aussi grandement simplifie le développement d'applications.
Pour compléter les capteurs d'infrastructure, nous utilisons la bibliothèque open source et les meilleures pratiques pour optimiser l'extraction et la classification fonction.
Pour fournir aux utilisateurs une expérience vraiment personnalisée est devenue une réalité, l'intelligence artificielle, le système peut tirer profit des téléphones intelligents, capteurs portables et d'autres données collectées par les appareils portables pour offrir plus de profondeur de fonctionnalité pour les personnes les prochaines années, une série de maintenant des équipements inimaginables et des solutions seront plus développement. intelligence artificielle et des capteurs ouvriront un nouveau monde de possibilités intéressantes pour les concepteurs et les utilisateurs.
Source: UCIhttp: //archive.ics.uci.edu/ml/datasets/Smartphone-Based+Recognition+of+Human+Activities+and+Postural+Transitions sur Bosch Sensortec
Bosch Sensortec GmbH, filiale à 100% de Robert Bosch GmbH, développe et propose des capteurs et solutions MEMS personnalisés pour smartphones, tablettes, appareils portables et produits IoT avec un portefeuille de 3 axes accéléromètre, gyroscope et capteur géomagnétique capteurs intégrés, des capteurs environnementaux et un portefeuille complet de logiciels 6 axes et 9 axes. depuis sa création en 2005, Bosch Sensortec est devenu ces marchés leader technologique MEMS Bosch GmbH depuis 1995 A été un pionnier dans le domaine des capteurs MEMS et un leader sur le marché mondial avec plus de 8 milliards de capteurs MEMS vendus à ce jour. Le capteur Bosch Sensortec est utilisé par tous les deux smartphones dans le monde.
Pour plus d'informations, visitez www.bosch-sensortec.com et suivez-nous sur le numéro public WeChat 'BoschSensortec'.