A Inteligência Artificial está revolucionando todos os aspectos da sociedade hoje em dia, por exemplo, ao combinar os benefícios da mineração de dados e do aprendizado profundo, a inteligência artificial agora pode ser usada para analisar grandes volumes de dados de uma variedade de fontes, identificar padrões, fornecer compreensão interativa e inteligência Um exemplo desse desenvolvimento inovador é a aplicação de inteligência artificial a dados gerados por sensores, especialmente de smartphones e outros dispositivos de consumo. Os dados do sensor de movimento e outras informações como endereços de GPS podem fornecer um grande número de diferenças Então, a questão é: "Como usar a inteligência artificial para tirar o máximo proveito dessas sinergias?"
Análise de dados de exercícios
Um aplicativo ilustrativo para o mundo real será capaz de analisar os dados de uso para determinar a atividade do usuário em cada período de tempo, seja sentado, caminhando, correndo ou dormindo.
Nesse caso, os benefícios dos produtos inteligentes são evidentes:
1. Aumentar o valor do ciclo de vida do cliente Aumentar o engajamento do cliente reduz o churn do cliente 2. Posicionamento de produtos mais competitivo A próxima geração de produtos inteligentes atende às expectativas crescentes dos consumidores 3. Criando valor real para usuários finais
Detecção e análise precisas do movimento interno permitem a navegação inteligente, o monitoramento do risco de saúde e o aumento da eficiência do dispositivo. O domínio profundo dos cenários de uso reais para muitos smartphones e plataformas wearable ajudará grandemente os designers de produtos. Compreenda os hábitos e comportamentos repetidos dos usuários, como determinar o tamanho correto da bateria ou determinar o tempo correto para enviar notificações.
O interesse em recursos de inteligência artificial está crescendo entre os fabricantes de telefones inteligentes, destacando a importância de identificar atividades diárias simples, como o número de etapas, que certamente se desenvolverão em análises mais detalhadas, como atividades esportivas. Os esportes populares, os designers de produtos não se concentrarão apenas nos atletas, mas irão facilitar mais pessoas, como treinadores, fãs e até mesmo emissoras, como emissoras e empresas de design de roupas esportivas. Essas empresas serão de dados profundos Beneficie da análise, que pode quantificar, melhorar e prever o desempenho com precisão.
Aquisição e pré-processamento de dados
Depois de identificar esta oportunidade de negócio, o próximo passo lógico é pensar sobre como efetivamente reunir esses conjuntos de dados enormes.
No rastreamento de atividades, por exemplo, os dados brutos são coletados por sensores de movimento axial, como acelerômetros e giroscópios em smartphones, wearables e outros dispositivos portáteis que levam três eixos (x, y, z), ou seja, acompanhar e avaliar atividades de forma contínua de forma conveniente para a aplicação do usuário.
Modelo de treinamento
Para a aprendizagem supervisionada de inteligência artificial, é necessário treinar "modelos" com dados de marcação para que o mecanismo de classificação possa usar este modelo para classificar o comportamento real do usuário. Por exemplo, nós coletamos exercícios dos usuários de teste que estão executando ou caminhando Dados, e fornecer essa informação ao modelo para ajudá-los a aprender.
Uma vez que este é basicamente um método de uma única vez, um sistema de aplicação e câmera simples pode realizar a tarefa de rotular os usuários, e nossa experiência mostra que, à medida que o número de amostras aumenta, a classificação das taxas de erro humano segue Então, obter mais conjuntos de amostras de um número limitado de usuários faz mais sentido do que obter conjuntos de amostras menores de um número maior de usuários.
Não basta obter dados de sensores em bruto sozinhos e observamos que para alcançar uma classificação altamente precisa, precisamos determinar cuidadosamente os recursos que o sistema precisa ser informado sobre os recursos ou atividades que são importantes para distinguir cada sequência. O processo de aprendizagem artificial é repetitivo, Ainda não está claro quais recursos são mais importantes na fase de pré-condicionamento, de modo que o dispositivo deve fazer algumas adivinhações com base na experiência que pode ter impacto na precisão da classificação.
As características indicativas podem incluir "sinais filtrados", como a aceleração do corpo (dados de aceleração em bruto do sensor) ou "sinais derivados", como os valores da Transformação de Fourier Rápida (FFT) ou os cálculos de desvio padrão para reconhecimento de atividade.
Por exemplo, a Universidade da Califórnia, o Guia de Aprendizado de Máquinas da Irvine (UCI) criou um conjunto de dados que define 561 recursos baseados em seis atividades básicas de 30 voluntários, de pé, sentados, deitados, caminhando O próximo passo e o passo como base.
Reconhecimento e classificação de padrões
Depois de coletar os dados do exercício bruto, precisamos aplicar técnicas de aprendizado de máquina para classificar e analisar as técnicas de aprendizado de máquina disponíveis para nós de regressão logística para redes neurais, etc. O suporte a máquinas vetoriais (SVMs) Modelos de aprendizagem aplicados à inteligência artificial A atividade física, como andar, consiste em uma seqüência de movimentos múltiplos, que é uma escolha razoável para classificar as atividades por causa de seu interesse particular na classificação de seqüência.
O uso, o treinamento, a expansão e a previsão de máquinas de vetores de suporte são diretos, de modo que múltiplas experiências de coleta de amostras podem ser facilmente justapostas para a classificação não linear de conjuntos de dados reais complexos. As máquinas de suporte de vetores também permitem uma ampla gama de Otimização de tamanho e desempenho diferente.
Depois de identificar uma técnica, temos que escolher uma biblioteca de software para SVM. Biblioteca de código aberto LibSVM é uma boa opção porque é muito estável e tem uma gravação detalhada, oferece suporte a classificações múltiplas e fornece todas as principais plataformas de desenvolvedores de MATLAB para expansão do Android.
Continuação da classificação do desafio
Na prática, enquanto os usuários estão em movimento, os dispositivos em uso precisam de classificação em tempo real para reconhecimento de eventos. Para minimizar o custo do produto, precisamos equilibrar a transmissão, armazenamento e uso sem afetar o resultado, ou seja, a qualidade da informação O custo do processamento.
Supondo que possamos pagar o custo da transferência de dados, todos os dados são armazenados e processados na nuvem - de fato, isso pode resultar em enormes custos de dados para o usuário e, claro, o dispositivo do usuário está conectado à Internet, à rede sem fio, aos módulos Bluetooth ou 4G Os custos inevitavelmente aumentarão ainda mais os custos do equipamento. O que é pior, em áreas não urbanas, o acesso à rede 3G geralmente não é efetivo, como caminhadas, ciclismo ou natação. Essa dependência da nuvem de grandes quantidades de transferência de dados Retarda as atualizações e sincroniza periodicamente, compensando grandemente os benefícios reais da análise de movimento da Inteligência Artificial. Em contraste, o manejo dessas operações somente no processador principal do dispositivo pode levar significativamente a aumentar o consumo de energia e diminuir Outros ciclos de execução de aplicativos Da mesma forma, armazenar todos os dados no dispositivo aumenta os custos de armazenamento.
De volta ao quadrado
Para resolver esses problemas conflitantes, podemos seguir quatro princípios: 1. Divisão - processamento de recursos de divisão a partir da execução do mecanismo de classificação.
2. Reduzir - seleciona inteligentemente os recursos necessários para uma identificação precisa da atividade para reduzir a necessidade de armazenamento e processamento.
3. Uso - Os sensores utilizados devem ser capazes de adquirir dados com menor consumo de energia, implementando fusão de sensor (combinando dados de sensores múltiplos) e pré-processamento de recursos para execução contínua.
4. Reservado - Um modelo que retém os dados de suporte do sistema que determinam a atividade do usuário Ao dividir a execução do mecanismo de processamento e classificação de recursos, o processador conectado aos sensores do acelerômetro e giroscópio pode ser muito menor, evitando efetivamente Os blocos de dados em tempo real são continuamente transmitidos para processadores mais poderosos. O processamento de qualidade, como a Transformação de Fourier Rápida, que é usado para transformar sinais de domínio do tempo em sinais de domínio de freqüência, exigirá um processador de núcleo de baixa potência para executar operações de ponto flutuante .
Além disso, no mundo real, um único sensor possui limitações físicas e sua saída se desvia ao longo do tempo, por exemplo, devido a compensação e escala não linear causada pela soldagem e temperatura. Para compensar essa irregularidade, é necessária a fusão do sensor e rápido Calibração em linha e automática.
Além disso, a taxa de captura de dados escolhida pode afetar significativamente a quantidade de cálculos e o rendimento exigido. Muitas vezes, uma taxa de amostragem de 50 Hz é suficiente para a atividade humana normal, mas 200 para analisar atividades ou movimentos de movimento rápido Taxa de amostragem Hz De forma similar, para obter um tempo de resposta mais rápido, você pode instalar um acelerômetro separado de 2 kHz para determinar a finalidade do usuário.
Para atender a esses desafios, os hubs de sensores específicos de baixa potência ou específicos da aplicação podem reduzir significativamente os ciclos de CPU exigidos pelo motor de classificação, como os BHI160 e BNO055 da Bosch Sensortec, que são hubs desse tipo, que podem ser usados diretamente em diferentes taxas de dados do sensor Gere a saída do sensor fundido diretamente.
A seleção inicial de recursos a serem processados posteriormente afeta muito o tamanho do modelo de treinamento, a quantidade de dados e o poder computacional necessário para treinar e executar a previsão interna. Portanto, é crucial escolher os recursos necessários para a classificação e diferenciação de uma determinada atividade Decisões, mas também muito provável que seja uma importante vantagem comercial.
Recordando o banco de dados de aprendizado de máquinas UCI que mencionamos acima, que possui um conjunto de dados completo de 561 recursos e usa o modelo personalizado baseado no kernel LibSVM para testes de classificação de atividades até 91,84% de precisão, no entanto, após completar o treinamento e os rankings de recursos, Os mais importantes 19 recursos foram selecionados para ser 85.38% de apuração ativa do teste de classificação. Um exame mais detalhado dos rankings revelou que as características mais relevantes foram a média, o máximo e o mínimo dos dados brutos para a transformação do domínio da freqüência e aceleração da janela deslizante Curiosamente, nenhum desses recursos pode ser alcançado com o pré-processamento sozinho, e a fusão do sensor é necessária para garantir uma confiabilidade adequada dos dados e, portanto, é de uso particular para a classificação.
Conclusão
Em suma, os avanços na tecnologia chegaram ao ponto em que a inteligência artificial de alto nível é executada em dispositivos portáteis para analisar os dados de sensores de movimento que operam em baixa potência enquanto a fusão de sensores e o particionamento de software melhoram significativamente a eficiência e viabilidade geral do sistema , Mas também simplifica muito o desenvolvimento de aplicativos.
Para complementar a infra-estrutura do sensor, alavancamos as bibliotecas de código aberto e as melhores práticas para otimizar a extração e classificação de recursos.
Tornou-se uma realidade para proporcionar aos usuários uma experiência verdadeiramente pessoal, através da qual a inteligência artificial permite que o sistema aproveite os dados coletados pelos sensores de smartphones, wearables e outros dispositivos portáteis para proporcionar às pessoas recursos mais profundos. Nos próximos anos, uma série Os dispositivos e as soluções que agora são inimagináveis irão crescer ainda mais. A inteligência artificial e os sensores abrem um novo mundo de oportunidades interessantes para designers e usuários.
Fonte: UCIhttp: //archive.ics.uci.edu/ml/datasets/Smartphone-Based+Recognition+of+Human+Activities+and+Postural+Transitions Sobre o Bosch Sensortec
A Bosch Sensortec GmbH, uma subsidiária integral da Robert Bosch GmbH, desenvolve e oferece sensores MEMS personalizados e soluções para smartphones, tablets, dispositivos portáteis e produtos IoT com um portfólio de 3 eixos Acelerômetros, giroscópios e sensores geomagnéticos, sensores integrados de 6 eixos e de 9 eixos, sensores ambientais e um portfólio abrangente de software, a Bosch Sensortec tem sido líder em tecnologia MEMS nesses mercados desde a sua implantação em 2005. A Bosch operou desde 1995 Tem sido um pioneiro no campo dos sensores MEMS e um líder no mercado global com mais de 8 bilhões de sensores MEMS vendidos até o momento. O sensor Bosch Sensortec é usado por cada dois smartphones do mundo.
Para mais informações, visite www.bosch-sensortec.com e siga-nos no número público "BoschSensortec" da WeChat.