Искусственный интеллект сегодня революционизирует все аспекты общества, например, объединяя преимущества интеллектуального анализа данных и глубокого обучения, теперь искусственный интеллект может использоваться для анализа большого количества данных из разных источников, выявления моделей, обеспечения интерактивного понимания и интеллекта Примером этого инновационного развития является применение искусственного интеллекта для данных, генерируемых датчиком, особенно из смартфонов и других потребительских устройств. Данные датчиков и другая информация, такая как адреса GPS, могут обеспечить большое количество различий Итак, возникает вопрос: «Как использовать искусственный интеллект, чтобы максимально использовать эти синергии?»
Анализ данных упражнений
Иллюстративное приложение реального мира сможет анализировать данные об использовании для определения активности пользователя в каждый период времени, будь то сидение, ходьба, работа или сон.
В этом случае преимущества смарт-продуктов очевидны:
1. Повысить ценность жизненного цикла клиентов. Увеличение взаимодействия с клиентами уменьшает отток клиентов. 2. Более конкурентное позиционирование продукта. Следующее поколение интеллектуальных продуктов отвечает растущим ожиданиям потребителей. 3. Создание реальной стоимости для конечных пользователей.
Точное обнаружение и анализ внутреннего движения обеспечивает интеллектуальную навигацию, мониторинг рисков для здоровья и повышенную эффективность устройства. Глубинное освоение реальных сценариев использования многих смартфонов и носимых платформ в значительной степени поможет разработчикам продуктов Понимать повторяющиеся привычки пользователей и их поведение, такие как определение правильного размера батареи или определение правильного времени для нажатия уведомлений.
Интерес к функциям искусственного интеллекта растет среди производителей смартфонов, подчеркивая важность определения простых повседневных действий, таких как количество шагов, которые, несомненно, будут развиваться в более глубокие анализы, такие как спортивные мероприятия. Популярные спортивные состязания, дизайнеры продуктов не будут просто сосредоточены на спортсменах, но будут способствовать увеличению количества людей, таких как тренеры, болельщики и даже вещательные компании, такие как вещательные компании и спортивные дизайнеры. Эти компании будут из глубоких данных Воспользуйтесь анализом, который может точно оценивать, улучшать и прогнозировать производительность.
Сбор и предварительная обработка данных
После определения этой бизнес-возможности следующий логический шаг - подумать о том, как эффективно собирать эти огромные наборы данных.
Например, при отслеживании активности необработанные данные собираются с помощью осевых датчиков движения, таких как акселерометры и гироскопы в смартфонах, носимых и других переносных устройствах, которые принимают три оси (x, y, z), т. е. отслеживать и оценивать действия непрерывно таким образом, который удобен для приложения пользователя.
Модель обучения
Для контролируемого обучения искусственному интеллекту необходимо обучать «модели» с данными разметки, чтобы механизм классификации мог использовать эту модель для классификации фактического поведения пользователя. Например, мы собираем упражнения у тестируемых пользователей, которые бегают или идут Данные и предоставить эту информацию модели, чтобы помочь им учиться.
Поскольку это в основном одноразовый метод, простая система приложений и камер может выполнять задачу по маркировке пользователей, и наш опыт показывает, что по мере увеличения количества выборок классификация коэффициентов ошибок человека следует Поэтому получение большего количества наборов образцов от ограниченного числа пользователей имеет больше смысла, чем получение меньших наборов образцов от большего числа пользователей.
Недостаточно получить необработанные данные датчиков, и мы наблюдаем, что для достижения высокоточной классификации нам необходимо тщательно определить функции, которые система должна рассказать об особенностях или действиях, важных для различения каждой последовательности. Процесс искусственного обучения повторяется, Пока неясно, какие функции наиболее важны на этапе предварительной подготовки, поэтому устройство должно сделать некоторые догадки на основе опыта, который может повлиять на точность классификации.
Показательные признаки могут включать в себя «отфильтрованные сигналы», такие как ускорение тела (необработанные данные ускорения от датчика) или «производные сигналы», такие как значения быстрого преобразования Фурье (FFT) или стандартные отклонения для распознавания активности.
Например, в Калифорнийском университете машинного обучения Калифорнии (UCI) создан набор данных, который определяет 561 функцию, основанную на шести основных действиях 30 добровольцев, стоя, сидящих, лежащих, ходячих , Следующий шаг и шаг в качестве основы.
Распознавание и классификация
После сбора сырых данных упражнений нам необходимо применить методы машинного обучения для классификации и анализа методов машинного обучения, доступных нам от логистической регрессии до нейронных сетей и т. Д. Поддержка векторных машин (SVM) является такой Модели обучения, применяемые для искусственного интеллекта Физическая активность, такая как ходьба, состоит из последовательности множественных движений, которая является разумным выбором для классификации видов деятельности, поскольку она хороша при классификации последовательности.
Использование, обучение, расширение и прогнозирование векторных машин поддержки являются простыми, поэтому многочисленные эксперименты по сборке образцов могут быть легко сопоставлены для нелинейной классификации сложных реальных наборов данных. Поддерживающие векторные машины также обеспечивают широкий диапазон Различные размеры и оптимизация производительности.
После определения метода мы должны выбрать библиотеку программного обеспечения для SVM. Библиотека с открытым исходным кодом LibSVM является хорошим выбором, поскольку она очень стабильна и имеет подробную запись, поддерживает несколько классификаций и предоставляет все основные платформы разработчика от MATLAB для Android.
Продолжение классификации проблемы
На практике, когда пользователи движутся, используемым устройствам требуется классификация в режиме реального времени для распознавания событий. Чтобы минимизировать стоимость продукта, нам необходимо сбалансировать передачу, хранение и хранение, не влияя на результат, то есть качество информации Стоимость обработки.
Предполагая, что мы можем позволить себе стоимость передачи данных и что все данные хранятся и обрабатываются в облаке, на практике это может привести к значительным расходам на данные для пользователя, и, конечно, устройство пользователя подключено к Интернету, беспроводной сети, Bluetooth или 4G модулям Из-за затрат неизбежно будет еще больше увеличиваться стоимость оборудования. Что еще хуже, в негородских районах доступ к сетям 3G обычно неэффективен, например, походы, велосипед или плавание. Эта зависимость от облака больших объемов передачи данных Замедляет обновления и периодически синхронизируется, что значительно компенсирует реальные преимущества анализа движения искусственного интеллекта. Напротив, обработка этих операций только на основном процессоре устройства может значительно увеличить потребление энергии и уменьшить ее Другие циклы выполнения приложений Аналогичным образом, хранение всех данных на устройстве увеличивает затраты на хранение.
От округлой до квадратной
Чтобы решить эти конфликтующие проблемы, мы можем следовать четырем принципам: 1. Обработка функций разбиения - разбиение с момента выполнения механизма классификации.
2. Уменьшить - разумно выбирает функции, необходимые для точной идентификации активности, чтобы уменьшить необходимость хранения и обработки.
3. Использование. Используемые датчики должны быть способны получать данные при более низком потреблении энергии, внедрении слияния датчиков (комбинирование данных с нескольких датчиков) и предварительной предварительной обработке для непрерывного выполнения.
4. Зарезервированная модель, которая сохраняет данные, позволяющие системе, которые могут использоваться для определения активности пользователя. Разбирая выполнение механизма обработки функций и классификации, количество процессоров, подключенных к ускорителям и гироскопическим датчикам, может быть намного меньше, эффективно избегая Блоки данных в режиме реального времени непрерывно передаются на более мощные процессоры. Для обработки с высокой частотой, такой как Fast Fourier Transform, которая используется для преобразования сигналов во временной области в сигналы частотной области, потребуется процессор с малой мощностью для выполнения операций с плавающей запятой ,
Кроме того, в реальном мире один датчик имеет физические ограничения и его выход отклоняется с течением времени, например, из-за смещения и нелинейного масштабирования, вызванного пайкой и температурой. Для компенсации этой неравномерности требуется слияние датчиков и быстрое , Встроенная и автоматическая калибровка.
Кроме того, выбранная скорость захвата данных может существенно повлиять на объем вычислений и необходимую пропускную способность. Часто частота дискретизации 50 Гц достаточна для нормальной деятельности человека, но при анализе быстро движущихся действий или движений 200 Гц. Аналогичным образом, чтобы добиться более быстрого времени отклика, вы можете установить отдельный акселерометр 2 кГц для определения цели пользователя.
Чтобы справиться с этими проблемами, узловые узлы с малой мощностью или приложениями могут значительно сократить циклы процессора, требуемые механизмом классификации, такие как BHI160 и BNO055 Bosch Sensortec, которые являются концентраторами этого типа, которые могут использоваться непосредственно при разных скоростях передачи данных Сгенерируйте выход плавленого датчика напрямую.
Первоначальный выбор функций, подлежащих обработке, в значительной степени влияет на размер модели обучения, объем данных и вычислительную мощность, необходимые для обучения и выполнения встроенного прогнозирования. Поэтому важно выбрать функции, необходимые для классификации и дифференциации определенного вида деятельности Решения, но также, вероятно, будут важным коммерческим преимуществом.
Вспоминая базу данных UCI для машинного обучения, о которой мы упоминали выше, которая имеет полный набор данных из 561 функций и использует стандартную модель обучения LibSVM по умолчанию для тестирования классификации активности с точностью до 91,84%, однако, после завершения обучения и ранжирования функций, Наиболее важные 19 функций были выбраны как 85,38% активной точности классификационного теста. Более пристальное изучение ранжирования показало, что наиболее важными характеристиками были среднее, максимальное и минимальное количество необработанных данных для преобразования частотной области и ускорения ускорения окна Интересно отметить, что ни одна из этих функций не может быть достигнута только при предварительной обработке, а слияние датчиков необходимо для обеспечения адекватной достоверности данных и поэтому особенно полезно для классификации.
вывод
В целом, достижения в области технологий достигли момента, когда на портативных устройствах выполняется высокоуровневый искусственный интеллект для анализа данных датчиков движения, работающих на малой мощности, в то время как слияние датчиков и разделение программного обеспечения значительно улучшают эффективность и жизнеспособность всей системы , Но также значительно упрощает разработку приложений.
В дополнение к инфраструктуре датчика мы используем библиотеки с открытым исходным кодом и лучшие практики для оптимизации извлечения и классификации функций.
Фактически стало реальностью предоставлять пользователям действительно личный опыт, благодаря которому искусственный интеллект позволяет системе использовать данные, собранные датчиками смартфонов, носимых и других переносных устройств, чтобы предоставить людям более глубокие возможности. В ближайшие годы серия Устройства и решения, которые в настоящее время невообразимы, будут расти еще дальше. Искусственный интеллект и датчики открывают новый мир захватывающих возможностей для дизайнеров и пользователей.
Источник: UCIhttp: //archive.ics.uci.edu/ml/datasets/Smartphone-Based+Recognition+of+Human+Activities+and+Postural+Transitions О Bosch Sensortec
Bosch Sensortec GmbH, дочерняя компания Robert Bosch GmbH, разрабатывает и предлагает специализированные датчики и решения MEMS для смартфонов, планшетов, носимых устройств и продуктов IoT с портфелем из трех осей Акселерометры, гироскопы и геомагнитные датчики, интегрированные 6-осевые и 9-осевые датчики, датчики окружающей среды и комплексный портфель программного обеспечения, Bosch Sensortec является лидером в области технологий MEMS на этих рынках с момента его создания в 2005 году. Bosch работает с 1995 года Являясь пионером в области сенсоров MEMS и лидером на мировом рынке, на сегодняшний день продано более 8 миллиардов MEMS-датчиков. Датчик Bosch Sensortec используется всеми двумя смартфонами в мире.
Для получения дополнительной информации посетите сайт www.bosch-sensortec.com и следуйте за нами на общественном номере WeChat «BoschSensortec».