AI는 현재 사회의 모든 측면에 혁신을 가져오고있다. 예를 들어, 데이터 마이닝 및 학습의 깊이의 장점을 결합하여, 수 이제 상호 작용의 이해와 지능을 제공하는 패턴을 식별, 다양한 소스로부터 많은 양의 데이터를 분석하는 인공 지능을 사용하여 예보. 이러한 혁신의 예는 스마트 폰과 같은 GPS 주소와 같은 다른 소비자 장치. 모션 센서 데이터 등의 정보가 수집 된 특정 데이터에 상기 센서에 의해 생성 된 데이터에 적용되는 인공 지능 개발, 우리는 다른 많은을 제공 할 수있다 따라서 질문은 '인공 지능을 사용하여 이러한 시너지 효과를 극대화하는 방법'입니다.
운동 데이터 분석
예시적인 실제 응용 프로그램은 사용 데이터를 분석하여 앉아 있거나, 걷거나, 달리거나, 잠을 자고있는 각 시간대의 사용자 활동을 확인할 수 있습니다.
이 경우 스마트 제품의 이점은 자명합니다.
1. 증가 고객의 평생 가치 증가 사용자의 참여는 스마트 제품의 경쟁력 제품 포지셔닝 차세대 소비자들의 기대감을 충족 2. 3... 이탈을 줄이고 최종 사용자에게 진정한 가치를 만들 수 있습니다
정확한 탐지 및 실내 스포츠의 분석 장치의 효율성을 증가시키는 동시에, 건강 위험을 감시, 민감한 탐색을 달성 할 수 있습니다. 스마트 폰과 웨어러블 플랫폼 깊이의 다양한 크게 제품 설계자 도움이 될 것 실제 사용 시나리오를 잡고 들어 정확한 배터리 크기를 결정하거나 알림을 푸시 할 정확한 타이밍을 결정하는 등 사용자의 반복되는 습관과 행동을 이해합니다.
스마트 폰 제조업체들은 인공 지능 기능에 대한 관심이 커지고 있으며, 스포츠 활동과 같은 심층 분석으로 발전 할 수있는 단계 수와 같은 일상적인 활동을 식별하는 것이 중요하다는 것을 강조하고 있습니다. 대중 스포츠, 제품 디자이너는 운동 선수에 초점을 맞추지 않고 코치, 팬, 심지어 방송사 및 스포츠웨어 디자인 회사와 같은 방송사와 같은 사람들을 더 쉽게 유도 할 것입니다.이 회사는 심층 데이터 성능을 정확하게 계량화하고 향상 시키며 예측할 수있는 분석의 이점.
데이터 수집 및 전처리
이러한 비즈니스 기회를 파악한 후 다음 단계는 이러한 거대한 데이터 세트를 효과적으로 수집하는 방법에 대해 생각하는 것입니다.
예를 들어 액티비티 추적에서 스마트 폰, 웨어러블 및 기타 휴대용 장치의 가속도계 및 자이로와 같은 축 모션 센서가 3 축 (x, y, z), 즉 사용자의 응용에 편리한 방식으로 활동을 지속적으로 추적 및 평가합니다.
교육 모델
인공 지능의 감독 학습의 경우 분류 엔진이이 모델을 사용하여 실제 사용자 행동을 분류 할 수 있도록 마크 업 데이터로 '모델'을 학습 할 필요가 있습니다. 예를 들어, 실행중인 또는 테스트중인 사용자로부터 운동을 수집합니다 데이터를 제공하고 모델에 정보를 제공하여 학습에 도움을줍니다.
이것은 기본적으로 1 회성 방법이기 때문에 간단한 응용 프로그램과 카메라 시스템이 사용자에게 레이블을 지정하는 작업을 수행 할 수 있으며 샘플의 수가 증가함에 따라 사람의 오류율 분류가 다음과 같이 나타납니다 제한된 수의 사용자로부터 더 많은 샘플 세트를 얻는 것이 더 많은 수의 사용자로부터 더 작은 샘플 세트를 얻는 것보다 더 중요합니다.
취득은 원시 센서 데이터는 충분. 우리는 신중하게 시퀀스 중요한 기능 또는 활동을 구분하는 시스템이 말했다 될 필요가있는 몇 가지 기능을 결정해야합니다, 매우 정확한 분류를 달성하기 위해 관찰되지 않는다. 학습의 수동 프로세스에서, 반복이있다 사전 컨디셔닝 단계에서 어떤 기능이 가장 중요한지 아직 명확하지 않으므로 장치는 분류의 정확도에 영향을 미칠 수있는 전문 지식을 토대로 추측을해야합니다.
활동을 식별하기 위해, 특징을 나타내는 예를 들면 '필터링 된 신호 "바디 가속도 (센서로부터 가속도 미가공 데이터) 또는'신호를 유도 ', 예를 들면, 고속 푸리에 변환 (FFT) 값 또는 표준 편차를 포함 할 수있다.
예를 들어, 캘리포니아 어바인의 대학은 기계 학습 데이터베이스 (UCI)이 발생하기 쉬운 산책 (561 개) 데이터 세트의 특성의 정의, 앉아, 서 (30 명) 자원 봉사자, 즉 여섯 개 기본 활동을 설정 데이터를 생성 , 다음 단계 및 기초로서의 단계.
패턴 인식 및 분류
원시 모션 데이터를 수집 한 후, 우리는 분류 및 기계 학습 기술은 몇 가지 이름을 로지스틱 회귀 신경 네트워크에서 사용할 수 있습니다. 우리가 사용하는 분석 기계 학습 기술을 적용 할 필요가있다. 이러한이 (SVM을)를 벡터 머신을 지원 인공 지능에 적용되는 학습 모델 걷기와 같은 신체 활동은 시퀀스 분류에 대한 특별한 관심으로 인해 활동을 분류하기위한 합리적인 선택 인 여러 동작의 시퀀스로 구성됩니다.
SVM은 쉽게 복잡한 실제 데이터 세트의 비선형 분류를 위해 다수의 병렬 샘플 수집 실험을 설정할 수 있도록 교육, 확장 및 전망, 매우 간단, 사용합니다. SVM 더 달성 할 수 다양한 크기 및 성능 최적화.
기술을 결정한 후, 우리는 LibSVM 오픈 소스 라이브러리, 그것은 매우 안정 좋은 선택입니다. 소프트웨어 라이브러리 벡터 머신을 지원하기 위해 선택한와 플랫폼에서 기록, 다중 클래스 분류에 대한 지원, 그리고 모든 주요 개발자를 자세히 설명하고있다 안드로이드 확장 MATLAB.
도전 과제의 지속적인 분류
이동하면서 실제로, 사용자가, 우리가 결과에 영향을 미칠 필요가없는 제품의 비용을 최소화하기 위해. 활동을 식별하는 실시간 분류를 수행하기 위해 장비를 사용하는 전제 아래 정보, 평형 전송, 저장의 품질과 처리 비용.
우리는. 데이터 전송의 비용 부담은, 모든 데이터가 저장되고 클라우드에서 처리 얻을 수 있다고 가정 할 수 있습니다 사실,이 사용자에 대한 엄청난 데이터 비용을 가져올 것, 사용자의 장치는 물론, 인터넷에 연결, 와이파이, 블루투스, 또는 4G 모듈 비용은 필연적으로 더 장비의 비용을 증가시킬 것이다. 더는, 비 도시 지역에서, 3G 네트워크 효과에 대한 접근은 일반적으로 하이킹과 같은, 이상하지, 자전거를 타고 수영. 대용량 데이터 전송에이 의존도를 클라우드에 업데이트가 느려지합니다. 반면에, 단지 이러한 작업의 호스트 프로세서 장치에서 처리 가져온다 인공 지능 실제 동작 분석의 이점을 상쇄보다 더 정기적으로 동기화에 대한 필요성은 분명히 소비 전력의 증가로 이어질 줄일 것 다른 응용 프로그램 실행주기 마찬가지로 모든 데이터를 장치에 저장하면 저장소 비용이 증가합니다.
사각형으로 반올림
이러한 충돌 문제를 해결하기 위해, 우리는 네 가지 원칙을 따를 수 있습니다 : 1. 분할을 - 분류 엔진을 수행 처리 분할 기능을합니다.
2. 축소 - 정확한 활동 식별에 필요한 기능을 지능적으로 선택하여 저장 및 처리의 필요성을 줄입니다.
- 3. 낮은 전력 소비 데이터를 얻을 수있다 사용할 수있는 센서를 센서의 융합 형태 (복수의 센서로부터의 데이터의 조합), 및 연속적으로 수행되는 것을 특징으로 전처리 할 수있다.
4. 예약 - 프로세싱을 수행 분류 엔진을 분할하는 것을 특징으로 데이터를 지원하는 사용자 활동 모델 시스템을 결정할 수 예비 가속도계와 자이로 센서에 연결된 프로세서를 효과적으로 방지 훨씬 작을 수있다 더 강력한 프로세서의 요구에 실시간 차단 순차는. 상기 고속 푸리에 변환의 주파수 영역의 특성에 이와 같은 시간 영역 신호에 대한 부동 소수점 연산을 수행하기 위해 낮은 전력 소모 용융 코어 프로세서가 필요한 신호 처리로 변환 .
또, 현실 세계에서,이 예 인해 필요 오프셋 비선형 용접 온도 스케일 의한. 이러한 불규칙성을 보상하기 위해 센서 퓨전 물리적으로 제한된 단일 센서, 및 시간에 따른 편차 출력,이고, 빠른 , 인라인 및 자동 보정.
또한, 상기 선택된 데이터 수집 율이 상당히 요구 계산 및 이동량에 영향을 미칠 수있는 것은. 일반적으로, 정상적인 인간 활동 50Hz의 샘플링 속도는 충분하지만, 빠르게 움직이는 스포츠 활동을 분석 할 때, 200을 필요 Hz 샘플링 속도 마찬가지로 빠른 응답 시간을 얻기 위해 별도의 2 kHz 가속도계를 설치하여 사용자의 목적을 결정할 수 있습니다.
크게 같은 보쉬 센서 BHI160 및 BNO055 두 제품으로 분류 엔진에 필요한 CPU 사이클을 줄일 수 이러한 문제 또는 저전력 애플리케이션 특정 센서 허브를 충족하려면 센서 허브이다. 직접 다양한 센서 데이터 속도에서 소프트웨어 퓨즈 드 센서 출력을 직접 생성하십시오.
상기 후 크게 훈련 모델의 크기에 영향을 미칠 것이다 처리 초기 선택하고, 훈련 데이터의 양, 및 예측 실행된다. 이에 따라, 원하는 특정 활동 분류 및 선택을 구별하는 기능을하는 키를 필요로하는 컴퓨팅 파워 결정뿐만 아니라 중요한 상업적 이점이 될 가능성이 매우 높습니다.
우리는 위에서 언급 한 UCI 기계 학습 데이터베이스를 불러 오기, 그것은 561 91.84 %의 높은 기본 LibSVM 핵심 교육 모델 활동 분류 테스트 정확도를 사용해, 완전한 데이터 세트를 제공하고있다. 그러나, 교육 및 순위 기능의 완료 후, 활동 분류 테스트의 정확도 85.38 %에 도달 할만큼 가장 중요한 (19) 기능을 선택합니다. 순위의 신중한 검토 후에, 우리는 가장 관련성이 기능은 평균 주파수 영역은 원시 데이터뿐만 아니라 슬라이딩 윈도우 가속, 최대 값과 최소값을 변환 것으로 나타났습니다 흥미롭게도, 이러한 기능만을 전처리를 통해 달성 될 수없는, 센서 퓨전 데이터의 충분한 안정성을 보장해야하고, 분류에 따라서 특히 유용한다.
결론
모두 모두, 과학 기술의 발전은 지금이 현대 센서는 저전력에서 작동한다. 모션 센서 데이터의 정도를 분석하는 고급 인공 지능에서 실행되는 휴대용 장치에 도달하고, 센서 융합 소프트웨어 파티셔닝 크게 전체 시스템의 효율성과 타당성을 개선했다 또한 응용 프로그램 개발을 크게 단순화합니다.
센서의 인프라를 보완하기 위해 오픈 소스 라이브러리와 모범 사례를 활용하여 피쳐 추출 및 분류를 최적화합니다.
진정으로 개인화 된 경험 현실, 인공 지능이되었다 사용자에게 제공하기 위해, 향후 몇 년 동안 사람들을 위해 기능의 깊이를 더 제공하는 휴대용 기기에 의해 수집 된 스마트 폰, 웨어러블 센서 및 기타 데이터를 활용할 수있는 시스템의 시리즈 지금은 상상할 수없는 장비와 솔루션을. 더 개발 될 것입니다 인공 지능 및 센서는 디자이너와 사용자를위한 흥미로운 기회의 완전히 새로운 세계가 열립니다.
출처 : UCIhttp : 보쉬 센서에 대한 //archive.ics.uci.edu/ml/datasets/Smartphone-Based+Recognition+of+Human+Activities+and+Postural+Transitions
Robert Bosch GmbH의 자회사 인 Bosch Sensortec GmbH는 스마트 폰, 태블릿, 웨어러블 장치 및 IoT 제품을위한 맞춤 MEMS 센서 및 솔루션을 개발하고 3 축 가속도계, 자이로 스코프와 지자기 센서 통합 센서, 환경 센서, 그리고 포괄적 인 소프트웨어 포트폴리오는 6 축 및 9 축. 2005 년 설립 된 이래, 보쉬 센서는 1995 년부터 MEMS 기술의 선두 주자 보쉬이 시장이되었다 MEMS 센서 분야의 선구자이자 지금까지 팔린 80 억 개 이상의 MEMS 센서로 세계 시장의 선두 주자입니다. Bosch Sensortec 센서는 전 세계의 두 스마트 폰에서 사용됩니다.
자세한 정보는 www.bosch-sensortec.com을 방문하여 WeChat 공영 번호 'BoschSensortec'을 참조하십시오.