AI está llevando actualmente la innovación a todos los aspectos de la sociedad. Por ejemplo, mediante la combinación de las ventajas de la minería de datos y la profundidad del aprendizaje, puede ahora utilizar la inteligencia artificial para analizar grandes cantidades de datos de diversas fuentes, identificar patrones, proporcionando una comprensión interactiva e inteligente pronóstico. un ejemplo de esta innovación es el desarrollo de la inteligencia artificial aplicada a los datos generados por el sensor, en particular los datos recogidos por los teléfonos inteligentes y otros dispositivos de consumo. los datos del sensor de movimiento y otra información como la dirección del GPS, que puede proporcionar una gran cantidad de diferentes . conjunto de datos Así que la pregunta es: 'cómo utilizar la inteligencia artificial para sacar el máximo provecho de estas sinergias?'
Análisis de datos de ejercicio
Una aplicación ilustrativa de la actividad del usuario real puede ser determinada en cada período de tiempo mediante el análisis de los datos de uso, ya sea en sentarse, caminar, correr o bajo el sueño.
En este caso, los beneficios de los productos inteligentes son evidentes por sí mismos:
1. Aumentar el valor del ciclo de vida del cliente El aumento de la participación del cliente reduce la rotación de clientes 2. Un posicionamiento más competitivo del producto La próxima generación de productos inteligentes cumple con las expectativas crecientes de los consumidores 3. Creando valor real para los usuarios finales
detección y análisis de deportes de interior precisa de navegación sensibles pueden lograr, seguimiento de los riesgos para la salud, al tiempo que aumenta la eficiencia del dispositivo. Por una variedad de teléfonos inteligentes y profundidad de la plataforma portátil comprender los escenarios de uso real será de gran ayuda los diseñadores de productos repetir comprender los hábitos del usuario y el comportamiento, por ejemplo, para determinar el tamaño correcto de la batería o determinar el momento adecuado para las notificaciones push.
El interés en las funciones de inteligencia artificial está creciendo entre los fabricantes de teléfonos inteligentes, destacando la importancia de identificar actividades diarias simples, como la cantidad de pasos, que seguramente se desarrollarán en análisis más profundos, como las actividades deportivas. Los deportes populares, los diseñadores de productos no solo se enfocarán en los atletas, sino que facilitarán a más personas, como entrenadores, fanáticos e incluso emisoras como compañías de diseño de ropa deportiva y de transmisiones. Estas compañías estarán basadas en los datos profundos. Benefíciese del análisis, que puede cuantificar, mejorar y predecir con precisión el rendimiento.
Adquisición y preprocesamiento de datos
Después de identificar esta oportunidad de negocio, el siguiente paso lógico es pensar cómo reunir efectivamente estos enormes conjuntos de datos.
En el seguimiento de la actividad, por ejemplo, los datos brutos se recopilan mediante sensores de movimiento axial, como acelerómetros y giroscopios en teléfonos inteligentes, dispositivos portátiles y otros dispositivos portátiles que toman tres ejes (x, y, z), es decir, el seguimiento y la evaluación continua de actividades de una manera conveniente para la aplicación del usuario.
Modelo de entrenamiento
Para el aprendizaje supervisado de inteligencia artificial, existe la necesidad de entrenar 'modelos' con datos de marcado para que el motor de clasificación pueda usar este modelo para clasificar el comportamiento real del usuario. Por ejemplo, recolectamos ejercicio de usuarios de prueba que están corriendo o caminando Datos, y proporcionar esta información al modelo para ayudarlos a aprender.
Dado que este es básicamente un método de una sola vez, una aplicación simple y un sistema de cámara pueden cumplir la tarea de etiquetar a los usuarios, y nuestra experiencia muestra que a medida que aumenta el número de muestras, la clasificación de las tasas de error humano sigue Por lo tanto, obtener más conjuntos de muestras de un número limitado de usuarios tiene más sentido que obtener conjuntos de muestras más pequeños de un mayor número de usuarios.
Obtiene solamente los datos del sensor en bruto no es suficiente. Hemos observado que para lograr la clasificación de alta precisión, que determinar cuidadosamente algunas de las características que el sistema necesita ser contada para distinguir secuencias de función o actividad importante. Manual del proceso de aprendizaje tiene un repetidor, en Todavía no está claro qué características son más importantes en la fase de preacondicionamiento, por lo que el dispositivo debe hacer algunas conjeturas basadas en la experiencia que pueden tener un impacto en la precisión de la clasificación.
Con el fin de identificar las actividades, pueden incluir características indicativo "señal filtrada", por ejemplo, la aceleración cuerpo (aceleración datos brutos de los sensores) o 'señal derivada', por ejemplo, transformar valor rápida de Fourier (FFT) o la desviación estándar.
Por ejemplo, la Universidad de California, Irvine, la base de datos de aprendizaje automático (UCI) crea una definición de las características de 561 conjuntos de datos, este conjunto de datos con seis actividades básicas de 30 voluntarios, es decir, de pie, sentado, prono, caminar , El próximo paso y el paso como base.
Reconocimiento y clasificación de patrones
Después de recoger los datos de movimiento primas, tenemos que aplicar técnicas de aprendizaje automático para clasificar y analizar. Utilizamos técnicas de aprendizaje automático están disponibles en la red neuronal de regresión logística para nombrar unos pocos. Máquinas de vectores soporte (SVM) es tal una Modelos de aprendizaje aplicados a la inteligencia artificial La actividad física, como caminar, consiste en una secuencia de movimientos múltiples, que es una opción razonable para clasificar las actividades, ya que es bueno para la clasificación de las secuencias.
SVM usar, capacitación, extensión y las previsiones son muy simples, por lo que puede configurar fácilmente múltiples experimentos de recogida de muestras paralelas para la clasificación no lineal de series de datos de la vida real complejas. SVM puede lograr más Diferentes tamaños y optimización del rendimiento.
Después de determinar una tecnología, hemos optado por máquinas de vectores soporte una biblioteca de software. LibSVM biblioteca de código abierto es una buena opción, es muy estable y cuenta con registros detallados, soporte para la clasificación multiclase, y todos los principales desarrolladores de la plataforma Expansión de MATLAB a Android.
Clasificación continua del desafío
En la práctica, el usuario mientras se mueve, utilizar el equipo para llevar a cabo la clasificación en tiempo real para identificar actividades. Con el fin de minimizar el costo del producto, que no tiene por qué afectar los resultados es la calidad de la información bajo la premisa, de transmisión equilibrada, almacenamiento y El costo del procesamiento.
Podemos suponer que la carga de los costos de transmisión de datos, todos los datos se pueden almacenar y procesar en la nube. De hecho, esto traerá enormes costes de datos para el usuario, el dispositivo del usuario para conectarse a la Internet, por supuesto, Wi-Fi, Bluetooth, o un módulo 4G costos, inevitablemente, aumentará aún más el costo del equipo. peor, en zonas no urbanas, el acceso a los efectos de red 3G por lo general no son ideales, como el senderismo, montar en bicicleta o nadar. esta dependencia de grandes transferencias de datos en la nube actualizaciones se ralentizará, y la necesidad de sincronización regular, que más que compensan los beneficios de la inteligencia artificial de análisis de movimiento real trae. en contraste, sólo el procesamiento en el dispositivo procesador principal de estas acciones, obviamente, dará lugar a un aumento del consumo de energía y reducir Otros ciclos de ejecución de la aplicación Del mismo modo, el almacenamiento de todos los datos en el dispositivo aumenta los costos de almacenamiento.
Redondo a cuadrado
Para resolver estos problemas conflictivos, podemos seguir cuatro principios: 1. División - división del procesamiento de características de la ejecución del motor de clasificación.
2. Reducir: selecciona inteligentemente las características necesarias para una identificación de actividad precisa para reducir la necesidad de almacenamiento y procesamiento.
3. Uso: los sensores utilizados deben ser capaces de adquirir datos con un consumo de energía menor, implementar la fusión del sensor (combinar datos de múltiples sensores) y preprocesamiento de características para una ejecución continua.
4. Reservado - Reservado capaz de determinar sistema modelo la actividad del usuario datos de apoyo que se caracterizan por la división de la motor de clasificación procesamiento realizado, un procesador acoplado a la acelerómetro y un sensor de giro puede ser mucho más pequeño que evite eficazmente en tiempo real de bloque secuencial a las necesidades de procesadores más potentes. para una señal de dominio tal vez en un característico dominio de frecuencia de la transformada rápida de Fourier de la señal de procesamiento que requiere procesador de núcleo de fusión bajo consumo de energía para llevar a cabo operaciones de punto flotante .
Además, en el mundo real, hay un solo sensor físicamente limitado, y las salidas de desviación en el tiempo, por ejemplo debido a la fusión de sensores de desplazamiento y la no linealidad causada por la soldadura y la escala de temperatura. Con el fin de compensar tales irregularidades, requieren, y rápido , Calibración en línea y automática.
Además, la tasa de captura de datos seleccionado puede afectar significativamente el cálculo deseado y la cantidad de transferencia. Típicamente, 50Hz frecuencia de muestreo para la actividad humana normal es suficiente, pero cuando se analizaron las actividades o deportes de movimiento rápido, necesita 200 Frecuencia de muestreo de Hz De forma similar, para lograr un tiempo de respuesta más rápido, puede instalar un acelerómetro de 2 kHz para determinar el propósito del usuario.
Para afrontar estos retos, o un concentrador sensor específico de la aplicación de baja potencia puede reducir significativamente los ciclos de CPU requeridos para motor de clasificación, tales como la Bosch Sensortec BHI160 y BNO055 dos productos es que el cubo sensor. Software directamente en varias velocidades de datos de sensores Genere la salida del sensor fusionado directamente.
En el que la selección inicial entonces ser tratado afectará en gran medida el tamaño del modelo de formación, y la cantidad de datos de entrenamiento, y la potencia de cálculo necesaria con el. Por lo tanto, la función de clasificación de la actividad y la selección distinguir específico deseado es una clave ejecutado predicho Decisiones, pero también es muy probable que sea una ventaja comercial importante.
Recordando la base de datos de aprendizaje automático UCI hemos mencionado anteriormente, se ha 561 cuenta con un conjunto completo de datos, utilizando el valor por defecto entrenamiento de la base del modelo de actividad exactitud de la prueba de clasificación LibSVM tan alto como 91,84%. Sin embargo, después de la finalización de la formación y las características de clasificación, seleccionar la 19 función más importante lo suficiente para llegar a 85,38% de la exactitud de la prueba de clasificación de actividades. después de un cuidadoso examen de la clasificación, se encontró que la característica más relevante es el dominio de frecuencia media transformar los datos en bruto, así como una aceleración de ventana deslizante, los valores máximos y mínimos Curiosamente, estas características no se pueden alcanzar únicamente a través de pretratamiento, fusión de sensores para garantizar una adecuada fiabilidad de los datos es necesario, y por lo tanto particularmente útil para la clasificación.
Conclusión
Con todo, el desarrollo de la ciencia y la tecnología ha llegado ahora a un dispositivo portátil que se ejecuta en la inteligencia artificial avanzada para analizar el grado de datos de los sensores de movimiento. Estos sensores modernas operan a baja potencia, y la partición de software de fusión de sensores y mejorar significativamente la eficiencia y la viabilidad de todo el sistema , Pero también simplifica enormemente el desarrollo de aplicaciones.
Para complementar los sensores de infraestructura, utilizamos biblioteca de código abierto y las mejores prácticas para optimizar la extracción de características y clasificación.
Para proporcionar a los usuarios con experiencia verdaderamente personalizada se ha convertido en una realidad, la inteligencia artificial, el sistema puede tomar ventaja de los teléfonos inteligentes, sensores portátiles y otros datos recogidos por los dispositivos portátiles para proporcionar más profundidad de la funcionalidad para las personas en los próximos años, una serie de ahora equipos y soluciones inimaginables serán más desarrollo. inteligencia artificial y sensores abrirán un nuevo mundo de oportunidades interesantes para los diseñadores y usuarios.
Fuente: UCIhttp: //archive.ics.uci.edu/ml/datasets/Smartphone-Based+Recognition+of+Human+Activities+and+Postural+Transitions sobre Bosch Sensortec
Bosch GmbH Sensortec es una sociedad de responsabilidad limitada Robert Bosch (Robert Bosch GmbH), una subsidiaria de propiedad total, teléfonos inteligentes, tabletas, dispositivos portátiles y desarrollo de productos de red física y proporcionar personalizados sensores MEMS y soluciones cartera incluye 3 ejes acelerómetro, giroscopio y sensores geomagnéticos sensor integrado, sensores ambientales, y una cartera completa de software de 6 ejes y 9 ejes. desde su creación en 2005, Bosch Sensortec se ha convertido en estos mercados líder en tecnología MEMS Bosch GmbH desde 1995 ha sido pionera y líder del mercado mundial en el campo de los sensores MEMS, el número de sensores MEMS ha vendido más de 80 millones de teléfonos móviles en todo el mundo tendrá un uso Bosch Sensortec dos sensores por inteligente.
Para obtener más información, visite www.bosch-sensortec.com y prestar atención a nuestra micro-canales número público 'BoschSensortec'.