هوش مصنوعی در حال حاضر آوردن نوآوری به هر جنبه ای از جامعه است. برای مثال، با ترکیب مزایای استفاده از داده کاوی و عمق یادگیری، هم اکنون می توانید با استفاده از هوش مصنوعی به تجزیه و تحلیل مقادیر زیادی از داده از منابع مختلف، شناسایی الگوهای، ارائه یک درک تعاملی و هوشمند پیش بینی است. یک نمونه از چنین نوآوری توسعه هوش مصنوعی به اطلاعات تولید شده توسط سنسور، خاص در داده ها جمع آوری شده توسط گوشی های هوشمند و دیگر دستگاه های مصرف کننده. داده های حسگر حرکت و دیگر اطلاعات مانند آدرس GPS است، ما می توانیم بسیاری از مختلف ارائه بنابراین، سوال این است: "چگونه از هوش مصنوعی استفاده کنید تا بیشترین بهره را از این اختلالات به دست آورید؟"
تجزیه و تحلیل داده های ورزش
یک برنامه کاربردی واقعی در دنیای واقعی قادر به تجزیه و تحلیل داده های استفاده برای تعیین فعالیت کاربر در هر دوره زمانی، چه نشسته، راه رفتن، در حال اجرا و یا خواب است.
در این مورد، مزایای محصولات هوشمند واضح است:
1. افزایش تعامل افزایش ارزش طول عمر مشتری کاربر می تواند بوسیله اسباب گردنده را کاهش دهد. 2. یک موقعیت یابی محصول رقابتی تر نسل بعدی از محصولات هوشمند برای پاسخگویی به انتظارات رو به رشد مصرف کنندگان. 3. ایجاد ارزش واقعی برای کاربران نهایی
دقیق تشخیص و تجزیه و تحلیل ورزشی سرپوشیده می توانید ناوبری حساس رسیدن، نظارت خطرات بهداشتی، در حالی که افزایش بهره وری از دستگاه برای انواع تلفن های هوشمند و عمق پلت فرم پوشیدنی درک حالات استفاده واقعی تا حد زیادی کمک خواهد کرد طراحان محصول درک عادتها و رفتارهای مکرر کاربران، از قبیل تعیین اندازه باتری مناسب یا تعیین زمان مناسب برای فشار دادن اعلانها.
علاقه سازنده گوشی های هوشمند در عملکرد هوش مصنوعی قوی است، و این است برجسته تشخیص فعالیت های ساده روزانه مانند اهمیت تعداد مراحل، که بیشتر در عمق تجزیه و تحلیل ایجاد می شود، مانند فعالیت های ورزشی مثل فوتبال برای چنین ورزش محبوب، طراحان محصول نه تنها در ورزشکاران تمرکز، اما بیشتر مردم، از جمله مربیان، طرفداران و حتی پخش و پوشاک ورزشی شرکت های طراحی و دیگر شرکت های بزرگ را تسهیل میکند. این شرکت ها داده عمیق تر بهره وری از تجزیه و تحلیل، که می تواند با دقت اندازه گیری، بهبود و پیش بینی عملکرد.
گرفتن اطلاعات و پیش پردازش
پس از شناسایی این فرصت کسب و کار، گام منطقی بعدی این است که در مورد چگونگی جمع آوری این مجموعه داده های بزرگ فکر کنید.
به عنوان مثال، از نظر ردیابی فعالیت، داده های خام توسط یک سنسور حرکت محوری جمع آوری شده، مانند گوشی های هوشمند، دستگاه های پوشیدنی و دیگر دستگاه های قابل حمل شتاب سنج و ژیروسکوپ. این دستگاه به دست آوردن سه محور مختصات (x در یک شیوه ای کاملا پنهان، y، z)، یعنی پیگیری و ارزیابی فعالیت ها به طور مداوم در یک شیوه ای مناسب برای کاربر کاربر.
مدل آموزش
برای هوش مصنوعی یادگیری، نیاز به آموزش با «الگو» داده برچسب، به منظور طبقه بندی موتور می توانید این مدل به طبقه بندی رفتار کاربر واقعی استفاده تحت نظارت. برای مثال، ما جمع آوری آهسته دویدن یا ورزش و یا پیاده روی از کاربران بتا در حال انجام، که در آن داده ها و ارائه این اطلاعات به مدل برای کمک به آنها در یادگیری.
از آنجا که این روند در واقع یک شات، نرم افزار ساده و سیستم دوربین را می توان به کاربر برچسب زدن، کار به اتمام است. تجربه ما نشان می دهد که به عنوان تعدادی از نمونه ها، نرخ خطای انسانی در طبقه بندی از نتیجه کاهش می یابد. بنابراین، برای به دست آوردن نمونه های بیشتر به مجموعه ای معنی دار تر کوچکتر از مجموعه نمونه از تعداد زیادی از کاربران از جایی که تعداد محدودی از کاربران است.
می شود تنها داده های حسگر خام کافی نیست. ما مشاهده کردیم که برای رسیدن به طبقه بندی بسیار دقیق، نیاز به دقت برخی از ویژگی های است که سیستم باید گفته شود تعیین تشخیص توالی از ویژگی های مهم و یا فعالیت. فرآیند دستی از یادگیری است تکراری، در مرحله پیش پردازش، که ویژگی های مهم هنوز روشن نشده است. بنابراین، تجهیزات باید با توجه به برخی از گمانه زنی ممکن است دقت دسته بندی تخصص را تحت تاثیر قرار انجام شده است.
به منظور شناسایی فعالیت ها، ممکن است شامل ویژگی های نشان دهنده "سیگنال فیلتر"، برای مثال، شتاب بدن (شتاب داده های خام از سنسور) یا "سیگنال مشتق شده است، برای مثال، تبدیل سریع فوریه (FFT) ارزش و یا انحراف استاندارد.
به عنوان مثال، دانشگاه کالیفرنیا، ایروین، پایگاه داده های یادگیری ماشین (UCI) ایجاد یک تعریف از ویژگی های 561 مجموعه داده ها، این مجموعه داده با شش فعالیت اولیه 30 داوطلب، یعنی ایستاده، نشسته، در معرض ابتلا، راه رفتن ، گام بعدی و گام به عنوان پایه.
تشخیص الگو و طبقه بندی
پس از جمع آوری داده های حرکت اولیه، ما نیاز به اعمال روش های یادگیری ماشین برای طبقه بندی و تجزیه و تحلیل. ما با استفاده از روش های یادگیری ماشین در دسترس از شبکه عصبی رگرسیون لجستیک به نام چند می باشد. پشتیبانی ماشین آلات بردار (SVM ها) چنین است مدل های یادگیری به هوش مصنوعی اعمال می شود فعالیت های جسمانی مانند راه رفتن شامل یک دنباله ای از حرکت های متعدد است که انتخاب مناسب برای طبقه بندی فعالیت ها است زیرا در طبقه بندی توالی خوب است.
SVM استفاده، آموزش، توسعه و پیش بینی بسیار ساده است، بنابراین شما به راحتی می توانید راه اندازی چند آزمایش جمع آوری نمونه های موازی برای طبقه بندی غیر خطی پیچیده مجموعه داده های واقعی زندگی. SVM می توانید اطلاعات بیشتری در دستیابی به اندازه های مختلف و بهینه سازی عملکرد.
پس از تعیین یک تکنولوژی، ما را انتخاب کرده اند به حمایت از ماشین بردار یک کتابخانه نرم افزار کتابخانه LIBSVM منبع باز است یک انتخاب خوب، آن را بسیار پایدار است و سوابق، پشتیبانی برای طبقه بندی چند طبقه، و تمام توسعه دهندگان عمده از پلت فرم دقیق است MATLAB به گسترش آندروید.
طبقه بندی مداوم چالش
در عمل، کاربر در حالی که در حال حرکت، استفاده از تجهیزات برای انجام طبقه بندی در زمان واقعی به شناسایی فعالیت به منظور به حداقل رساندن هزینه های محصول، ما نیاز به نتایج تاثیر نمی گذارد با کیفیت از اطلاعات تحت فرض، انتقال پینگ هنگ، ذخیره سازی است و هزینه پردازش
ما می توانیم فرض کنیم که بار هزینه انتقال داده ها، تمام داده ها می توانید ذخیره و پردازش در ابر است. در واقع، این خواهد هزینه های داده بزرگ برای کاربر به ارمغان بیاورد، دستگاه کاربر برای اتصال به اینترنت، البته، از Wi-Fi، بلوتوث یا ماژول 4G هزینه ناچار بیشتر خواهد شد افزایش هزینه تجهیزات. بدتر از آن، در مناطق غیر شهری، دسترسی به اثرات شبکه 3G معمولا ایده آل، مانند پیاده روی نیست، دوچرخه سواری یا شنا کردن. این تکیه بر انتقال داده های بزرگ در ابر به روز رسانی را کند خواهد کرد، و نیاز به هماهنگ سازی به طور منظم، که بیش از جبران مزایای هوش مصنوعی تجزیه و تحلیل حرکت واقعی به ارمغان می آورد. در مقابل، تنها بر روی دستگاه میزبان پردازنده از این اقدامات پردازش بدیهی است که به افزایش مصرف برق منجر خواهد شد و کاهش دیگر چرخه های اجرای برنامه به طور مشابه، ذخیره سازی تمام داده ها بر روی دستگاه هزینه های ذخیره سازی را افزایش می دهد.
گرد به مربع
به منظور حل این مسائل متناقض، ما می توانیم چهار اصل را دنبال کنید: 1. تقسیم - پردازش تقسیم از انجام موتور طبقه بندی ویژگی های.
2. کاهش - هوشمندانه ویژگی های مورد نیاز برای شناسایی فعالیت دقیق را برای کاهش نیاز به ذخیره و پردازش انتخاب می کند.
3. - یک سنسور مورد استفاده قرار گیرد می توان با داده مصرف انرژی کمتر به دست آمده، تجسم همجوشی سنسور (ترکیبی از اطلاعات از سنسورهای متعدد)، و می تواند به عنوان یک پیش تصفیه به طور مداوم انجام است.
4. محفوظ است - این سایت متعلق قادر به تعیین فعالیت های کاربر سیستم مدل حمایت از داده ها شناخته شده با تقسیم پردازش انجام موتور طبقه بندی، یک پردازنده به همراه شتاب سنج و سنسور ژیروسکوپ می تواند بسیار کوچکتر است که به طور موثر جلوگیری زمان واقعی متوالی بلوک به نیازهای پردازنده قوی تر است. برای چنین یک سیگنال در حوزه زمان به یک مشخصه دامنه فرکانس از تبدیل فوریه سریع از پردازش سیگنال نیاز به مصرف برق پردازنده دو هسته ای ذوب پایین برای انجام عملیات ممیز شناور .
علاوه بر این، در دنیای واقعی، یک سنسور تنها از لحاظ جسمی محدود است، و خروجی انحراف در طول زمان، به عنوان مثال با توجه به ترکیبی سنسور افست و غیر خطی ناشی از جوشکاری و مقیاس درجه حرارت. به منظور برای چنین بی نظمی را جبران کند، نیاز وجود دارد، و سریع ، کالیبراسیون خودکار و خودکار.
علاوه بر این، انتخاب نرخ ضبط داده ها به طور قابل توجهی می تواند محاسبه مورد نظر و مقدار انتقال تاثیر می گذارد. به طور معمول، 50Hz است نرخ نمونه برداری برای فعالیت طبیعی انسان کافی است، اما زمانی که فعالیت های سرعت در حال حرکت ورزشی یا تجزیه و تحلیل، نیاز 200 نرخ نمونه برداری Hz به طور مشابه، برای رسیدن به زمان پاسخ سریع تر، شما می توانید یک شتاب سنج 2 کیلوهرتز جداگانه برای تعیین هدف از کاربر نصب کنید.
برای مقابله با این چالش، و یا یک هاب سنسور نرم افزار خاص کم قدرت ممکن است به طور قابل توجهی کاهش چرخه های CPU مورد نیاز برای موتور طبقه بندی، مانند بوش Sensortec BHI160 و BNO055 دو محصول این است که هاب سنسور می باشد. نرم افزار به طور مستقیم در نرخ داده سنسور های مختلف خروجی حسگر متصل را به طور مستقیم تولید کنید.
در جایی که انتخاب اولیه پس از آن درمان می شود تا حد زیادی به اندازه مدل آموزش تاثیر می گذارد، و مقدار داده های آموزشی، و قدرت محاسباتی مورد نیاز با پیش بینی اجرا می شود. بنابراین، ویژگی های خاص طبقه بندی فعالیت و انتخاب افتراق مورد نظر است که یک کلید تصمیم گیری، اما همچنین به احتمال زیاد به یک مزیت تجاری مهم است.
یادآوری پایگاه داده های یادگیری ماشین UCI در بالا ذکر شد، آن را 561 ویژگی های یک مجموعه کامل داده ها، با استفاده از پیش فرض LIBSVM آموزش هسته فعالیت مدل دقت تست طبقه بندی به عنوان بالا که 91.84٪. با این حال، پس از اتمام آموزش و ویژگی های رتبه بندی، از مهم ترین 19 تابع اندازه کافی برای رسیدن 85.38٪ از دقت و صحت آزمون طبقه بندی فعالیت را انتخاب کنید. پس از یک بررسی دقیق از رتبه بندی، ما متوجه شدیم که از ویژگی های است که مناسب ترین حوزه فرکانس متوسط تبدیل داده های خام نیز به عنوان یک شتاب پنجره کشویی، مقادیر حداکثر و حداقل جالب توجه است، این ویژگی ها را نمی توان تنها از طریق قبل به دست آورد، همجوشی سنسور اطمینان از قابلیت اطمینان کافی از داده ها لازم است، و بنابراین به ویژه برای طبقه بندی مفید است.
نتیجه گیری
همه در همه، توسعه علم و تکنولوژی در حال حاضر دستگاه های قابل حمل در حال اجرا در هوش مصنوعی پیشرفته نرم افزار ترکیبی سنسور پارتیشن بندی رسیده به تجزیه و تحلیل درجه داده سنسور حرکت. این سنسورها مدرن در قدرت کم کار، و و به طور قابل توجهی بهبود بهره وری و امکان سنجی از کل سیستم ، اما همچنین توسعه نرم افزار بسیار ساده است.
برای تکمیل زیرساخت های سنسور، ما از کتابخانه های منبع باز و بهترین روش ها برای بهینه سازی استخراج ویژگی ها و طبقه بندی استفاده می کنیم.
به کاربران ارائه با تجربه واقعا شخصی واقعیت تبدیل شده است، هوش مصنوعی، سیستم می تواند در چند سال آینده استفاده از تلفن های هوشمند، سنسورهای پوشیدنی و داده های دیگر جمع آوری شده توسط دستگاه های قابل حمل به ارائه عمق بیشتری از قابلیت ها را برای مردم، یک سری از دهید تجهیزات غیر قابل تصور و راه حل خواهد بود حال توسعه است. هوش مصنوعی و سنسور یک دنیای جدید از فرصت های هیجان انگیز برای طراحان و کاربران باز خواهد شد.
منبع: UCIhttp: //archive.ics.uci.edu/ml/datasets/Smartphone-Based+Recognition+of+Human+Activities+and+Postural+Transitions در مورد بوش Sensortec
بوش Sensortec GmbH یک شرکت با مسئولیت محدود رابرت بوش (رابرت بوش GmbH)، فرعی کاملا متعلق به، تلفن های هوشمند، تبلت ها، دستگاه های پوشیدنی و توسعه محصول شبکه فیزیکی و ارائه خدمات سفارشی سنسور MEMS و راه حل های نمونه کارها شامل 3 محور است شتاب سنج، ژیروسکوپ و وابسته به جاذبه زمین سنسور سنسور یکپارچه، سنسورهای محیطی، و یک نمونه کارها نرم افزار جامع 6 محور و 9 محور. از زمان تأسیس آن در سال 2005، بوش Sensortec از سال 1995 تبدیل شده است این بازارها رهبر MEMS فناوری بوش GmbH پیشگام و پیشرو در بازار جهانی در زمینه سنسور MEMS شده است، تعدادی از سنسورهای MEMS بیش از 80 میلیون گوشی در سراسر جهان فروخته به یک استفاده بوش Sensortec دو سنسور در هوشمند.
برای کسب اطلاعات بیشتر، لطفا www.bosch-sensortec.com بازدید و توجه به ما تعداد عمومی میکرو کانال، BoschSensortec.