手機(jī)位置和朝向無(wú)關(guān)的活動(dòng)識(shí)別技術(shù)研究

吳 淵，史殿習(xí)，楊若松，李 寒，陳 茜，周 榮

(國(guó)防科技大學(xué) 計(jì)算機(jī)學(xué)院 并行與分布處理國(guó)防科技重點(diǎn)實(shí)驗(yàn)室,湖南 長(zhǎng)沙 410073)

手機(jī)位置和朝向無(wú)關(guān)的活動(dòng)識(shí)別技術(shù)研究

吳 淵，史殿習(xí)，楊若松，李 寒，陳 茜，周 榮

(國(guó)防科技大學(xué) 計(jì)算機(jī)學(xué)院 并行與分布處理國(guó)防科技重點(diǎn)實(shí)驗(yàn)室,湖南 長(zhǎng)沙 410073)

文中針對(duì)基于智能手機(jī)的活動(dòng)識(shí)別中如何消除手機(jī)位置和朝向的影響問(wèn)題展開研究。首先，針對(duì)手機(jī)放置位置問(wèn)題，提出了先識(shí)別手機(jī)位置再進(jìn)行活動(dòng)識(shí)別的方法，其特點(diǎn)是能夠基于特定的手機(jī)位置選取最佳的活動(dòng)識(shí)別模型，進(jìn)而消除手機(jī)位置對(duì)活動(dòng)識(shí)別的影響；其次，針對(duì)手機(jī)朝向影響問(wèn)題，對(duì)傳感器數(shù)據(jù)使用絕對(duì)值和簡(jiǎn)單移動(dòng)平均線處理的方法，消除手機(jī)朝向?qū)κ謾C(jī)位置識(shí)別和活動(dòng)識(shí)別的影響；最后，基于Android平臺(tái)開發(fā)了一個(gè)傳感器數(shù)據(jù)收集工具對(duì)傳感器數(shù)據(jù)進(jìn)行收集，設(shè)計(jì)了兩組實(shí)驗(yàn)對(duì)上面提出的方法進(jìn)行實(shí)驗(yàn)驗(yàn)證。結(jié)果表明，文中提出的方法能夠很好地消除手機(jī)放置位置和朝向?qū)顒?dòng)識(shí)別的影響，活動(dòng)識(shí)別的準(zhǔn)確率能達(dá)到87.89%。

手機(jī)位置；手機(jī)朝向；活動(dòng)識(shí)別；智能手機(jī)

1 概 述

目前，以Android、iOS為代表的智能手機(jī)內(nèi)嵌了加速度、陀螺儀、光線、距離等一系列可以感知周圍環(huán)境和上下文信息的傳感器。這些傳感器可以收集人們豐富的日?；顒?dòng)信息，通過(guò)分析處理這些信息可以推理人們的活動(dòng)情況[1]及行為習(xí)慣[2]等，進(jìn)而為人們提供各種各樣的個(gè)性化服務(wù)。如CenceMe[1]利用手機(jī)采集的多種傳感器(加速度傳感器、GPS等)數(shù)據(jù)推斷用戶的活動(dòng)情況、情緒和行為習(xí)慣；HealthAware系統(tǒng)[3]利用加速度傳感器監(jiān)測(cè)用戶的日?；顒?dòng)，實(shí)時(shí)提醒用戶保持健康所需要的活動(dòng)量等等。

目前，活動(dòng)識(shí)別領(lǐng)域取得了一系列的研究成果，但是絕大多數(shù)活動(dòng)識(shí)別工作都是在固定手機(jī)位置和朝向的方式下進(jìn)行的[4-5]。固定手機(jī)位置和朝向的活動(dòng)識(shí)別方式與日常生活中用戶使用手機(jī)的習(xí)慣相悖。手機(jī)位置影響是指用戶運(yùn)動(dòng)時(shí)不同肢體部位的運(yùn)動(dòng)幅度不同，導(dǎo)致同一用戶運(yùn)動(dòng)狀態(tài)下，放置在用戶不同身體部位的手機(jī)收集到的傳感器數(shù)據(jù)不一樣，從而影響活動(dòng)識(shí)別結(jié)果。手機(jī)的朝向?qū)顒?dòng)識(shí)別的影響來(lái)自兩個(gè)方面：一是手機(jī)傳感器數(shù)據(jù)是基于手機(jī)內(nèi)置坐標(biāo)系收集的，手機(jī)不同朝向(正反面等)放入口袋時(shí)收集到的數(shù)據(jù)不一樣；二是用戶運(yùn)動(dòng)時(shí)不固定的手機(jī)可以自由的在口袋內(nèi)晃動(dòng)，從而影響收集的傳感器數(shù)據(jù)。因此，如何在基于智能手機(jī)的活動(dòng)識(shí)別當(dāng)中消除手機(jī)放置位置和朝向帶來(lái)的影響問(wèn)題成為目前該領(lǐng)域研究的熱點(diǎn)和難點(diǎn)[6-9]。

文中針對(duì)基于智能手機(jī)的活動(dòng)識(shí)別中如何消除手機(jī)位置和朝向的影響問(wèn)題展開研究。對(duì)手機(jī)放置位置問(wèn)題，提出了先識(shí)別手機(jī)位置再進(jìn)行活動(dòng)識(shí)別的方法，其特點(diǎn)是能夠基于特定的手機(jī)位置生成最佳的活動(dòng)識(shí)別模型；其次，針對(duì)手機(jī)朝向影響問(wèn)題，對(duì)傳感器數(shù)據(jù)使用絕對(duì)值和簡(jiǎn)單移動(dòng)平均線處理的方法，消除手機(jī)朝向?qū)κ謾C(jī)位置識(shí)別和活動(dòng)識(shí)別的影響；最后，基于Android平臺(tái)開發(fā)了一個(gè)傳感器數(shù)據(jù)收集工具對(duì)傳感器數(shù)據(jù)進(jìn)行收集，采集手機(jī)不同放置位置和朝向下的加速度、陀螺儀、光線、距離等傳感器數(shù)據(jù)，在此基礎(chǔ)上設(shè)計(jì)了兩組實(shí)驗(yàn)對(duì)上面提出的方法進(jìn)行實(shí)驗(yàn)驗(yàn)證。結(jié)果表明，文中所提出的方法能夠很好地消除手機(jī)放置位置和朝向?qū)顒?dòng)識(shí)別的影響，活動(dòng)識(shí)別的準(zhǔn)確率能達(dá)到87.89%。

2 相關(guān)工作

文獻(xiàn)[4]對(duì)現(xiàn)有的基于智能手機(jī)的活動(dòng)識(shí)別進(jìn)行了詳細(xì)的分析、總結(jié)和歸納。就目前基于智能手機(jī)的活動(dòng)研究來(lái)說(shuō)，將其分為三類：固定手機(jī)位置和朝向的活動(dòng)識(shí)別研究、手機(jī)朝向無(wú)關(guān)的活動(dòng)識(shí)別研究以及手機(jī)位置無(wú)關(guān)的活動(dòng)識(shí)別研究。絕大多數(shù)活動(dòng)識(shí)別研究都是在手機(jī)位置和朝向固定的條件下進(jìn)行的，其工作研究的重點(diǎn)偏向于傳感器取樣頻率、特征和分類算法在活動(dòng)識(shí)別中識(shí)別準(zhǔn)確率和能耗等方面[2-3]。但在實(shí)際應(yīng)用中，手機(jī)的放置位置和朝向的影響不可忽略，下面就這兩方面進(jìn)行分析總結(jié)。

針對(duì)手機(jī)朝向?qū)顒?dòng)識(shí)別影響的問(wèn)題，研究者主要采取兩種處理方法:一是使用與手機(jī)朝向無(wú)關(guān)的特征(如三軸合成加速度)來(lái)訓(xùn)練分類模型[1,7]；二是將基于手機(jī)坐標(biāo)系的傳感器數(shù)據(jù)轉(zhuǎn)換為基于地球坐標(biāo)的數(shù)據(jù)[8]。

針對(duì)手機(jī)放置位置對(duì)活動(dòng)識(shí)別的影響研究可以分為如下三類：一是利用手機(jī)放置在不同位置獲取的傳感器數(shù)據(jù)來(lái)抵消手機(jī)位置的影響[10-12]，即將不同手機(jī)位置收集的傳感器數(shù)據(jù)綜合在一起提取特征，再進(jìn)行分類；二是在數(shù)據(jù)收集階段將用戶的活動(dòng)類型(如走路、跑步等等)與手機(jī)放置的位置組合進(jìn)行標(biāo)注，在此基礎(chǔ)上進(jìn)行訓(xùn)練和分類[13]；三是在識(shí)別手機(jī)位置的基礎(chǔ)上，利用在手機(jī)各個(gè)位置生成的活動(dòng)識(shí)別模型來(lái)識(shí)別用戶活動(dòng)[14-16]。

其中，第一類方法使用最多，其使用多個(gè)手機(jī)位置的傳感器數(shù)據(jù)抵消手機(jī)位置帶來(lái)的影響，本質(zhì)上還是與手機(jī)位置相關(guān)的。第二類方法本質(zhì)上還是利用手機(jī)在多處位置收集的數(shù)據(jù)來(lái)抵消手機(jī)位置的影響，其不同之處在于把用戶運(yùn)動(dòng)與手機(jī)放置位置組合成標(biāo)簽，分類上更精細(xì)。第三類方法只有文獻(xiàn)[14]用到，其缺陷在于實(shí)驗(yàn)數(shù)據(jù)是在跑步機(jī)上收集的，難以代表真實(shí)的用戶活動(dòng)數(shù)據(jù)。此外，其忽視了手機(jī)朝向?qū)κ謾C(jī)位置識(shí)別和活動(dòng)識(shí)別的影響。

3 手機(jī)位置和朝向變化的處理方法

從上面的分析中可以看到，手機(jī)放置位置和手機(jī)朝向是影響基于智能手機(jī)的活動(dòng)識(shí)別結(jié)果的兩個(gè)重要因素。為此，文中提出了一個(gè)手機(jī)放置位置無(wú)關(guān)的活動(dòng)識(shí)別框架，如圖1所示。其核心思想是先利用光傳感器、距離傳感器和手機(jī)位置識(shí)別模型對(duì)手機(jī)的位置進(jìn)行識(shí)別，再針對(duì)特定的手機(jī)放置位置，使用多種機(jī)器學(xué)習(xí)方法生成多個(gè)活動(dòng)識(shí)別模型，并選出最佳的活動(dòng)識(shí)別模型。

圖1 活動(dòng)識(shí)別的系統(tǒng)框架圖

3.1 手機(jī)位置識(shí)別方法

與大部分處理手機(jī)放置位置問(wèn)題的活動(dòng)識(shí)別研究類似，文中主要對(duì)手機(jī)在四處位置(用戶手中、大腿、腰部和胸前的口袋)進(jìn)行識(shí)別。手機(jī)放置位置實(shí)驗(yàn)分為兩個(gè)步驟進(jìn)行：第一步利用光傳感器和距離傳感器來(lái)識(shí)別手機(jī)是在口袋中還是手中(手機(jī)大概位置)；第二步利用傳感器數(shù)據(jù)生成的手機(jī)放置位置識(shí)別模型進(jìn)一步確認(rèn)手機(jī)的具體位置。進(jìn)行光傳感器和距離傳感器實(shí)驗(yàn)得到兩個(gè)結(jié)論：一是手機(jī)在口袋內(nèi)和手中所采集到的光強(qiáng)度值和距離數(shù)據(jù)值大小明顯不一致；二是每一次手機(jī)位置改變(如從手中放入口袋)都會(huì)引起光強(qiáng)度值和距離值劇烈的抖動(dòng)。

利用結(jié)論一可知光傳感器和距離傳感器結(jié)合并設(shè)定閾值可以用來(lái)識(shí)別手機(jī)在手中或口袋內(nèi)(兩種傳感器結(jié)合可以消除環(huán)境變化因素帶來(lái)的影響，如白天晚上光線的變化)。利用結(jié)論二，只有當(dāng)手機(jī)放置發(fā)生位置改變時(shí)，才使用手機(jī)位置識(shí)別模型進(jìn)行手機(jī)位置識(shí)別，從而節(jié)省利用識(shí)別模型識(shí)別手機(jī)位置帶來(lái)的資源消耗和延時(shí)。

在利用光傳感器和距離傳感器確認(rèn)手機(jī)大概放置位置后，再采用多種機(jī)器學(xué)習(xí)分類算法對(duì)手機(jī)放置在常見的三種口袋處(胸前、大腿和腰部等位置處的口袋)進(jìn)行識(shí)別。手機(jī)放置位置識(shí)別實(shí)驗(yàn)中，利用決策樹、樸素貝葉斯和支持向量機(jī)對(duì)三種傳感器(重力加速度傳感器、線性加速度傳感器和陀螺儀傳感器)數(shù)據(jù)進(jìn)行訓(xùn)練生成手機(jī)放置位置識(shí)別模型，并分析了不同傳感器數(shù)據(jù)和分類算法在手機(jī)放置位置識(shí)別中的準(zhǔn)確率。

3.2 手機(jī)朝向不固定引起的變化及處理方法

手機(jī)朝向不固定主要引起兩類變化：

一是手機(jī)內(nèi)置的傳感器三軸坐標(biāo)系隨手機(jī)的朝向發(fā)生翻轉(zhuǎn)，其傳感器數(shù)據(jù)變化如圖2(a)所示，傳感器在x軸與y軸的數(shù)據(jù)發(fā)生了翻轉(zhuǎn)。針對(duì)這類變化，利用傳感器數(shù)據(jù)求絕對(duì)值的方法。圖2(b)是經(jīng)過(guò)絕對(duì)值處理后的數(shù)據(jù)波形圖。從圖2(b)中可以看出不同手機(jī)朝向下用戶同一運(yùn)動(dòng)時(shí)采集的傳感器數(shù)據(jù)，在經(jīng)過(guò)絕對(duì)值處理后數(shù)據(jù)表現(xiàn)趨向一致。

圖2 傳感器數(shù)據(jù)波形圖

二是手機(jī)不同朝向放置時(shí)導(dǎo)致原始傳感器數(shù)據(jù)在每一個(gè)波形周期內(nèi)產(chǎn)生許多隨機(jī)抖動(dòng)，影響活動(dòng)識(shí)別提取的時(shí)域特征，如波峰、頻率等等。針對(duì)這類變化，使用簡(jiǎn)單移動(dòng)平均線(SimpleMovingAverage，SMA)[17]消除手機(jī)不固定引起的抖動(dòng)。

圖2中，(a)和(b)為不同手機(jī)朝向下，傳感器數(shù)據(jù)在x軸與y軸的變化，(c)和(d)為經(jīng)過(guò)絕對(duì)值處理后的傳感器數(shù)據(jù)波形。

4 實(shí) 驗(yàn)

4.1 數(shù)據(jù)收集方式

圖3(a)是基于Android平臺(tái)下編寫的數(shù)據(jù)收集工具，主要收集加速度(線性加速度、重力分量加速度)、陀螺儀、光線、距離等傳感器數(shù)據(jù)。實(shí)驗(yàn)收集了10名志愿者(4名女性和6名男性)在如圖3(b)、(c)所示的四種手機(jī)位置下走路、跑步、上樓梯、下樓梯、騎自行車時(shí)的傳感器數(shù)據(jù)及活動(dòng)、手機(jī)朝向和位置標(biāo)簽。實(shí)驗(yàn)對(duì)傳感器數(shù)據(jù)進(jìn)行分割后產(chǎn)生了11 723組數(shù)據(jù)樣例，采用隨機(jī)劃分的方法，其中70%為訓(xùn)練數(shù)據(jù)，30%為測(cè)試數(shù)據(jù)。

圖3 數(shù)據(jù)收集APP及手機(jī)四種放置位置

4.2 特征提取

實(shí)驗(yàn)采用50%重疊的4 s滑動(dòng)窗口對(duì)重力傳感器、線性加速度傳感器和陀螺儀傳感器數(shù)據(jù)進(jìn)行分割，然后對(duì)分割后的數(shù)據(jù)窗口提取特征，提取了最大值、最小值、均值、標(biāo)準(zhǔn)差、波峰個(gè)數(shù)，波峰的均值、波谷的均值、波峰的最小值、波谷的最大值共計(jì)9個(gè)特征。重力加速度、線性加速度、陀螺儀等傳感器都是三軸傳感器，因此每個(gè)傳感器能夠提取到27特征。在實(shí)驗(yàn)中，把直接從傳感器數(shù)據(jù)上提取的特征稱作特征一，對(duì)傳感器數(shù)據(jù)進(jìn)行絕對(duì)值和SMA處理后提取的特征稱作特征二。

4.3 實(shí)驗(yàn)及結(jié)果分析

兩組實(shí)驗(yàn)：第一組實(shí)驗(yàn)在固定手機(jī)朝向下，檢驗(yàn)手機(jī)放置位置是否對(duì)活動(dòng)識(shí)別有影響，并與相關(guān)研究工作對(duì)比在消除手機(jī)位置影響上文中提出的活動(dòng)識(shí)別模型的效果。第二組實(shí)驗(yàn)在不固定手機(jī)朝向下，驗(yàn)證經(jīng)過(guò)絕對(duì)值處理和SMA處理后的傳感器數(shù)據(jù)在手機(jī)位置識(shí)別和活動(dòng)識(shí)別中的效果。

第一組實(shí)驗(yàn)包括以下3個(gè)實(shí)驗(yàn)。

實(shí)驗(yàn)1:在同一手機(jī)朝向下，使用手機(jī)在L2(見圖3)口袋處收集到的傳感器數(shù)據(jù)生成分類模型來(lái)識(shí)別手機(jī)在L3(見圖3)口袋處的活動(dòng)。結(jié)果顯示用手機(jī)放置在L2處的傳感器數(shù)據(jù)生成的分類模型對(duì)L3位置處的活動(dòng)進(jìn)行識(shí)別，其最高準(zhǔn)確率僅為43.61%，表明手機(jī)放置位置對(duì)活動(dòng)識(shí)別有很大影響。

實(shí)驗(yàn)2：在同一手機(jī)朝向下，使用手機(jī)在所有放置位置處的傳感器數(shù)據(jù)生成分類模型，檢驗(yàn)其是否能減少手機(jī)位置對(duì)活動(dòng)識(shí)別的影響(大多研究采用的方法)。結(jié)果顯示，決策樹、SVM和樸素貝葉斯在不同傳感器組合下得到的最高識(shí)別率分別為：86.62%、93.71%、92.34%。這說(shuō)明利用所有手機(jī)位置處的傳感器數(shù)據(jù)生成的模型在很大程度上能減少手機(jī)放置位置對(duì)活動(dòng)識(shí)別的影響。

(a)手機(jī)放置位置識(shí)別準(zhǔn)確率

(b)手機(jī)放置位置后的活動(dòng)識(shí)別準(zhǔn)確率

實(shí)驗(yàn)3：在同一手機(jī)朝向下，先識(shí)別手機(jī)放置位置，再調(diào)用特定手機(jī)位置活動(dòng)識(shí)別模型進(jìn)行識(shí)別。圖4(a)是手機(jī)位置識(shí)別結(jié)果，結(jié)果表明決策數(shù)和SVM比樸素貝葉斯的識(shí)別效果要好，使用SVM對(duì)三種傳感器數(shù)據(jù)訓(xùn)練生成的模型識(shí)別效果最好，準(zhǔn)確率能達(dá)到96.97%。識(shí)別手機(jī)放置位置后，分別在L1、L2、L3(見圖3)口袋處進(jìn)行活動(dòng)識(shí)別，其結(jié)果如圖4(b)所示。在L1、L2、L3三個(gè)口袋處活動(dòng)識(shí)別的最高準(zhǔn)確率分別為97.74%、98.42%、98.58%，即在三處手機(jī)位置的平均識(shí)別率為98.20%。

此外還研究了用戶手機(jī)拿在手中走路和跑步時(shí)兩種活動(dòng)的識(shí)別率，其準(zhǔn)確率能達(dá)到99%左右。在不包括用戶手機(jī)放置手中運(yùn)動(dòng)的情況下，先識(shí)別手機(jī)放置位置，再在各個(gè)位置識(shí)別用戶活動(dòng)，活動(dòng)識(shí)別準(zhǔn)確率能達(dá)到95.22%(96.97%*98.20%)。將實(shí)驗(yàn)3與實(shí)驗(yàn)2進(jìn)行對(duì)比，表明文中使用的方法比大多數(shù)處理手機(jī)位置的活動(dòng)識(shí)別研究中使用的方法的識(shí)別率要好。

從圖4(a)和(b)中還可以得知，使用單個(gè)傳感器時(shí)，手機(jī)位置識(shí)別時(shí)使用重力傳感器的效果要好，活動(dòng)識(shí)別中使用線性加速度傳感器的識(shí)別效果要好，多個(gè)傳感器組合在手機(jī)位置識(shí)別和活動(dòng)識(shí)別時(shí)的效果一般要好于單個(gè)傳感器。

基于第一組實(shí)驗(yàn)中使用三種傳感器數(shù)據(jù)組合的識(shí)別效果最好的結(jié)果，在第二組實(shí)驗(yàn)中使用三種傳感器數(shù)據(jù)進(jìn)行驗(yàn)證。首先，實(shí)驗(yàn)在不限制手機(jī)朝向的情況下收集了用戶活動(dòng)時(shí)的傳感器數(shù)據(jù)，利用上述描述的特征一和特征二進(jìn)行了兩個(gè)實(shí)驗(yàn)。實(shí)驗(yàn)1利用特征一和特征二生成的分類模型來(lái)識(shí)別手機(jī)的放置位置，結(jié)果表明特征二在手機(jī)位置識(shí)別中的表現(xiàn)要好于特征一，其準(zhǔn)確率最高為92.66%。這說(shuō)明經(jīng)過(guò)絕對(duì)值和SMA處理后的傳感器數(shù)據(jù)在識(shí)別手機(jī)位置時(shí)在一定程度上消除了手機(jī)朝向變化帶來(lái)的影響。實(shí)驗(yàn)2中有兩組變量：特征和傳感器數(shù)據(jù)。特征包括特征一和特征二；傳感器數(shù)據(jù)包括單個(gè)手機(jī)朝向下收集的傳感器數(shù)據(jù)和所有手機(jī)朝向下收集的傳感器數(shù)據(jù)。實(shí)驗(yàn)中使用這些特征和數(shù)據(jù)組合生成的模型來(lái)識(shí)別不限定手機(jī)朝向的活動(dòng)。其結(jié)果如圖5所示。在單個(gè)手機(jī)朝向下的數(shù)據(jù)提取的特征二比特征一的表現(xiàn)要好；使用所有手機(jī)朝向下收集的數(shù)據(jù)和特征二生成模型在消除手機(jī)朝向的影響上表現(xiàn)最好。這就表明，經(jīng)過(guò)絕對(duì)值和SMA處理后的傳感器數(shù)據(jù)在識(shí)別用戶活動(dòng)時(shí)在一定程度上消除了手機(jī)朝向變化帶來(lái)的影響。

通過(guò)第一組實(shí)驗(yàn)可知先識(shí)別手機(jī)放置位置，后識(shí)別活動(dòng)的模型能夠有效地消除手機(jī)位置對(duì)活動(dòng)識(shí)別的影響；通過(guò)第二組實(shí)驗(yàn)可知在不限定手機(jī)朝向和位置的情況下，經(jīng)過(guò)絕對(duì)值和SMA處理后的傳感器數(shù)據(jù)在識(shí)別手機(jī)放置位置和活動(dòng)識(shí)別時(shí)的準(zhǔn)確率最好，最高識(shí)別準(zhǔn)確率分別能達(dá)到92.66%和94.85%，即在不限制手機(jī)朝向和位置的情況下，基于所提出的框架和數(shù)據(jù)處理方法，活動(dòng)識(shí)別的準(zhǔn)確率能達(dá)到87.89%(92.66%*94.85%)。

圖5 活動(dòng)識(shí)別中使用不同特征和

5 結(jié)束語(yǔ)

文中在解決手機(jī)放置位置對(duì)活動(dòng)識(shí)別影響的問(wèn)題時(shí)，分兩個(gè)步驟：先利用光和距離傳感器識(shí)別手機(jī)在手中或口袋內(nèi)，再使用分類模型對(duì)手機(jī)放置在不同口袋處進(jìn)行識(shí)別。在識(shí)別手機(jī)放置位置的基礎(chǔ)上，調(diào)用在具體的手機(jī)位置生成的活動(dòng)識(shí)別模型進(jìn)行活動(dòng)識(shí)別。在處理手機(jī)朝向問(wèn)題的影響時(shí)，使用絕對(duì)值和SMA對(duì)傳感器數(shù)據(jù)進(jìn)行處理，以消除手機(jī)朝向的影響?；谏鲜鎏幚矸椒ǎ瑢?shí)驗(yàn)結(jié)果表明，在不限制手機(jī)朝向和位置下活動(dòng)識(shí)別結(jié)果表現(xiàn)很好。下一步工作，將基于智能手機(jī)平臺(tái)完成一個(gè)實(shí)用的活動(dòng)識(shí)別系統(tǒng)。

[1] Miluzzo E,Lane N D,Fodor K,et al.Sensing meets mobile social networks:the design,implementation and evaluation of the cenceme application[C]//Proceedings of the 6th ACM conference on embedded network sensor systems.Raleigh,NC:ACM,2008:337-350.

[2] Yuan B,Herbert J,Emamian Y.Smartphone-based activity recognition using hybrid classifier[C]//Proceeding of the 4th international conference on pervasive and embedded computing and communication systems.[s.l.]:[s.n.],2014.

[3] Gao C, Kong F, Tan J. Healthaware: tackling obesity with health aware smart phone systems[C]//Proc of IEEE international conference on robotics and biomimetics.Guilin:IEEE,2009:1549-1554.

[4] Shoaib M,Bosch S,Incel O D,et al.A survey of online activity recognition using mobile phones[J].Sensors,2015,15(1):2059-2085.

[5] Kwapisz J R,Weiss G M,Moore S A.Activity recognition using cell phone accelerometers[J].ACM SIGKDD Explorations Newsletter,2011,12(2):74-82.

[6] Siirtola P,Roning J.Ready-to-use activity recognition for smartphones[C]//Proceedings of the 2013 IEEE symposium on computational intelligence and data mining.Singapore:IEEE,2013:59-64.

[7] Siirtola P,R?ning J.Recognizing human activities user-independently on smartphones based on accelerometer data[J].International Journal of Interactive Multimedia and Artificial Intelligence,2012,1(5):38-45.

[8] Lu H,Yang J,Liu Z,et al.The jigsaw continuous sensing engine for mobile phone applications[C]//Proceedings of the 8th ACM conference on embedded networked sensor systems.Zurich,Switzerland:ACM,2010:71-84.

[9] Reddy S,Mun M,Burke J,et al.Using mobile phones to determine transportation modes[J].ACM Transactions on Sensor Networks,2010,6(2):13-16.

[10] Anjum A,Ilyas M U.Activity recognition using smartphone sensors[C]//Proc of consumer communications and networking conference.[s.l.]:IEEE,2013:914-919.

[11] Wang Y,Lin J,Annavaram M,et al.A framework of energy efficient mobile sensing for automatic user state recognition[C]//Proceedings of the 7th international conference on mobile systems,applications,and services.[s.l.]:ACM,2009:179-192.

[12] Thiemjarus S,Henpraserttae A,Marukatat S.A study on instance-based learning with reduced training prototypes for device-context-independent activity recognition on a mobile phone[C]//Proceedings of IEEE international conference on body sensor networks.[s.l.]:IEEE,2013:1-6.

[13] Khan A M,Tufail A,Khattak A M,et al.Activity recognition on smartphones via sensor-fusion and kda-based SVMs[J].International Journal of Distributed Sensor Networks,2014,6(10):18-21.

[14] Martín H,Bernardos A M,Iglesias J,et al.Activity logging using lightweight classification techniques in mobile devices[J].Personal and Ubiquitous Computing,2013,17(4):675-695.

[15] Miluzzo E,Papandrea M,Lane N D,et al.Pocket,bag,hand,etc.-automatically detecting phone context through discovery[J].Proc. Phone Sense,2010,8(5):21-25.

[16] Wiese J,Saponas T S,Brush A J.Phoneprioception:enabling mobile phones to infer where they are kept[C]//Proceedings of the SIGCHI conference on human factors in computing systems.[s.l.]:ACM,2013:2157-2166.

[17] Milette G,Stroud A.Android傳感器高級(jí)編程[M].裴佳迪,譯.北京：清華大學(xué)出版社，2013.

Research on Activity Recognition Technique of Smart Phone Position and Orientation Independent

WU Yuan,SHI Dian-xi,YANG Ruo-song,LI Han,CHEN Xi,ZHOU Rong

(National Key Laboratory for Parallel and Distributed Processing,College of Computer, National University of Defense Technology,Changsha 410073,China)

The research aims at how to eliminate the influence of smart phone’s position and orientation variation at human activity recognition.Firstly,a method is put forward which recognizes the phone position and human activity followed based on the specific position.The feature is to select the best activity recognition model based on specific position for elimination of influence of mobile position on activity recognition.Secondly,in order to decrease the impact of mobile phones on the phone toward the sensor data,the absolute value and a simple moving average method is applied to process the sensor data.Finally,to prove the theory,a sensor data collecting tool has been developed in the Android platform,which is used to collect sensor data in different position and orientation of mobile phone,and two experiments have been conducted based on the theory and data collected by the tool.The results show that the presented method can effectively eliminate the influence of the smart phone’s position and orientation on the activity recognition,and the activity recognition accuracy can reach 87.89%.

position of phone;orientation of phone；activity recognition；smart phone

2015-07-15

2015-10-21

時(shí)間：2016-03-22

國(guó)家自然科學(xué)基金資助項(xiàng)目(61202117)

吳 淵(1990-)，男，碩士研究生，研究方向?yàn)榉植际接?jì)算技術(shù)；史殿習(xí)，碩士生導(dǎo)師，研究方向?yàn)榉植际接?jì)算技術(shù)。

http://www.cnki.net/kcms/detail/61.1450.TP.20160322.1521.074.html

TP31

A

1673-629X(2016)04-0001-05

10.3969/j.issn.1673-629X.2016.04.001