自适应移动行走节电方法指导设备使用运动上下文

文摘

必须认识到用户和周围环境的运动与多个传感器。我们开发了一个基于移动设备的指导系统视力受损的人,可以帮助用户安全地走到目的地之前的研究。然而,移动设备有多个传感器花更多的权力,当传感器同时,不断激活。我们提出一个方法来减少移动设备的功耗考虑用户的运动环境。我们分析和分类用户的运动准确地通过决策树和嗯(隐马尔可夫模型),利用三轴加速度计传感器和倾角传感器的数据。我们可以减少电池消耗控制活动超声波传感器的数量和相机的帧速率用于获取用户周围的空间环境。这有助于我们扩展设备的操作时间,减少设备的内置电池的重量。

1。介绍

最近,移动设备配备了各种各样的传感器,如GPS接收器,一个加速计,陀螺传感器和摄像头,识别用户的运动和环境。因此,有效利用这些传感器研究[1- - - - - -3]。然而,一个困难的问题是电池的剩余时间在移动设备不断激活几个传感器。一些传感器在移动,如相机,花很多电池供电。因此,有效的节电方法使用传感器是必需的。

另一个问题是很难提取精确的数据从传感器在移动设备。加速度计和倾斜传感器特别是用于检测运动的背景下,这意味着用户的动作之间的关系在一段时间。此外,它包括运动规模分析和用户的运动方向。然而,检测准确的运动是不容易的,因为数据从传感器可以吵,确定提取的运动特性,比如偏差和平均是很困难的。

我们建议用户通过提取的方法来检测运动更准确的数据和保存实力通过激活传感器有效。为了减少传感器的工作频率消耗大量的电力,我们激活传感器只有如果你需要使用传感器通过分析用户的运动准确。我们确定用户的运动通过分析收集的数据从加速计和倾斜传感器,低功耗和低的价格与其他国家的对比。这种方法使我们能够控制其他传感器自适应的操作。我们可以因此延长移动设备的操作时间和/或减少电池的重量和大小。为了验证我们方法的可用性,我们应用它的制导系统视障人是在我们以前的研究开发(4]。它是基于移动设备和使用额外的传感器检测环境。我们使用一个相机估计室内用户的位置和多个超声波传感器,避免道路上的障碍。设备可以节省能耗15%左右通过调整使用的传感器的频率按照用户的动作,而激活的情况下传感器一致。此外,系统不使用显示设备可以节省大约40%的力量相比,不断激活显示设备的情况下。

我们的方法利用传感器数据处理技术,以提高识别率和准确性,尽管用户的动态运动拥有移动设备。此外,运动识别我们的方法的准确性高于之前的方法,使用数据从传感器获得的部分连接到用户的身体。方法检测用户的运动有90%的准确率,因为使用特定的功能,如垂直和水平组件和应用HMM-based分类器来提高性能。因此,用户的方法可以精确地检测运动,有效降低系统的功耗。

我们在部分总结相关工作2。节3,我们详细描述我们的方法。节4,我们目前的实验结果应用该方法。我们总结我们的研究部分5。

2。相关工作

一般来说,运动环境指的是用户的行为模式,分析使用数据从传感器中提取用户的身体的某些部分。Kern et al。5),Krause et al。6),拉维et al。7),Choudhury et al。8],Karantonis et al。9]研究人类活动和上下文感知使用几个加速度计传感器。他们分析了加速度计的用户只有数据的运动传感器。这些方法没有取向问题收集数据通过附加一个传感器对身体到一个特定的位置。然而,我们的方法揭示了取向问题,因为它从一个移动设备收集方向数据。有必要提取orientation-independent特性,反映设备的当前位置,无论移动设备的方向。避免定位问题的解决方案是使用大小每个轴的加速度计。Mizell [10]表明,每个轴上的平均每隔一个时间段可以产生gravity-related组件的一个估算值。我们用类似的方法来估计重力从每个轴加速度计传感器组件。

加速度计传感器,分析数据的方法识别用户运动通常使用一个标识符,如决策树和GMM(高斯混合模型)。黄齐和席勒的影子11)分类的活动,如散步、写作,或使用一个SVM(支持向量机)和长et al。12)用决策树分类各种人类的动作。Husz et al。13应用一个APM(行动原始模型),分析了运动使用监督学习,加油,(14)分类的活动通过近似嗯(隐马尔科夫模型)。朱和盛15)一个嗯用于分析运动数据提取加速度计传感器连接到的手或脚。然而,使用分类器需要额外的处理方法提高精度和训练数据正确分类。

流动性是为移动设备的一个重要因素,因为电源不断从他们的电池提供。设备必须使用长时间使用一个小容量的电池。降低这些设备的功耗,已经设计了很多方法来减少CPU的使用和显示16- - - - - -18]。方法使用其他系统能量优化技术,整体设备的电池寿命增加(19- - - - - -21]。然而,他们有问题,设备的响应时间延迟和性能退化。

在本文中,我们利用加速度计传感器和倾角传感器嵌入到用户的移动设备同时评估运动和应用决策树基于近似嗯准确实时的运动分析。该方法可以降低功耗,因为它最大限度地减少CPU计算通过控制摄像机的帧速率和活动超声波传感器的数量用于识别用户的上下文环境,没有处理速度等性能的损失。换句话说,该方法可以节省电源通过调整传感器自适应基于运动识别的移动设备的用户。

3所示。功耗控制方法

我们建议降低功耗的方法通过调整的频率使用有源传感器应用的上下文感知能力。该方法包括两个阶段,运动分析和功率控制。首先,运动的方法利用上下文的用户来自加速度计传感器和倾角传感器。分析了用户的运动的加速度数据,,从一个三轴加速度计传感器获得的轴。换句话说,运动分析进行垂直或水平加速度等一些功能组件的用户的行动。此外,我们使用正确的倾斜传感器中的错误生成的数据按照加速度计传感器的安装位置和用户的行走方式。分析两传感器准确运动背景,我们应用一个HMM-based决策树分类技术应用时间序列的方法。

根据运动分析的结果,我们决定使用主动传感器的频率,要消耗大量的能量,在系统。它是确定最小数量的超声波传感器需要积极和最小相机的帧速率。然后,识别精度在这种情况下应该类似于当使用所有传感器的精度。通过激活必要的传感器只有在特殊的情况下,而不是不断激活所有的传感器,可以降低能耗和延长设备的电池寿命。

给出该方法在图的概述1。它包括两个阶段,即分析运动与HMM和上下文控制功耗根据已确定的情况下,通过激活指定的传感器。

3.1。运动背景估计使用加速度计传感器

我们分析的运动和定位的用户通过移动设备的内置三轴加速度计和倾斜传感器。然而,它是不容易检测到运动直接从这些传感器的数据。精确的运动识别是困难的,因为有些数据可能会丢失或可能含有噪声22,23]。因此,我们使用基于概率推理构建Weka工具包的决策树使用HMM分类器,利用当前数据和以前的数据(24,25]。我们可以分析各种运动数据从传感器中提取。然而,我们关注五个动作等站,走,快走,提升楼梯,下楼梯。此外,我们要选择三个运动(站立、行走和快走基于用户的步行速度)。三个动作需要显著不同数量的权力来激活传感器所需的上下文感知(26,27]。

我们获得加速度数据的设备设在,设在,三轴加速度计传感器设在方向。然而,抖动噪声的数据是错误的,因为,即使设备被放置在一个表。减少抖动噪音,我们减少加速度数据通过应用一个加(移动平均滤波器),由(1)。在这里,,,原始数据和吗,,是缩小数据。的因素定义数据的数量根据采样时间间隔,和表明的跨度值平滑。这种平滑降噪技术可以应用于移动和固定设备

可能发生取向问题,因为每个人都有不同的步态和加速度计的安装位置传感器是可变的(7,13]。为了解决这个问题,我们使用传感器以及orientation-independent大小值标准差和均值等特性。这些都是获得的垂直和水平加速度计传感器组件。在这个阶段,我们已经确定了采样周期计算每个值通过重复实验。在任何时候让加速度矢量让每个轴的平均值,,。然后,我们定义一个参考向量,这是标准化。中描述(2),我们推导出水平向量从和垂直的向量,乘以和。意味着一个标量值的内积和 在哪里

我们评估估计的水平和垂直分量通过水平和垂直的向量。水平级的定义和垂直大小使用。确定用于分类器的参数,我们估计等特性的意思是,标准差,75%百分位范围,和零交叉率,计算波形的大小。收集足够的训练数据,加速度数据收集从测试用户在大约四个小时。每个人进行三个运动(站,走,快走)。我们使用C4.5决策树,众所周知,提高识别精度通过增加样本的数量(28]。树分类器包括运动的特性,平均值和标准偏差的垂直和水平加速度的组件。我们定义meanV和stdV垂直特性和meanH和stdH水平功能。我们生成一个决策树well-pruned(如图2基于——集群匹配相似的动作。然而,有一个限制识别两个运动(走和快走)如果只使用决策树,因为动作展示各种复杂的模式根据时间变化。因此,为了提高分类精度,我们创建序列数据通过收集分类的结果从决策树获得预定的长度。然后,我们使用近似嗯就是一个分类技术应用时间序列的方法。换句话说,我们采用维特比算法基于一个嗯最大化利用连续运动之间的关系(29日,30.]。

3.2。通过运动上下文自适应功率控制

验证该方法的有效性,我们实现了一个原型系统,获得了用户的空间上下文使用各种传感器。减少能源消耗,我们控制帧速率和活动传感器基于运动背景下的数量。原型系统可以检测一个障碍在用户的路径通过六个超声波传感器。识别对象在用户面前,重要的是安排传感器有效覆盖的最大范围的最小数量的传感器基于每个传感器的物理特性,如覆盖率和探测距离。此外,传感器应快速、准确地检测障碍。因此,我们估计所有传感器的几何信息,通过多次实验确定其最佳位置31日]。如图3前面,我们简化了空间结构的用户分类一些预定义的模式之一。然后我们确定一个避免方向通过评估模式与障碍碰撞的概率降到最低。如图4,我们每个传感器的方向,尽可能少地覆盖重叠与邻近的传感器,通过考虑用户的步行速度和传感器的传感速度32]。

我们考虑范围数据提取四个超声波传感器和代表了空间信息的模式在用户面前。数据范围分为四种情况:危险(小于100厘米),警告(100 ~ 130厘米),足够的(130 ~ 200厘米),和不感兴趣(超过200厘米)。我们可以识别256(= 44)情况下,可以生成相应的数据范围从四个传感器在每种情况下。所有情况下都存储在一个表(见表1)。每个数字代表的四个案例,即0(危险),1(警告),2(足够的),3(不感兴趣)。避免指令分为某些情况下,也就是说,左转,右转,前进。因此避免方向障碍可以由指的表。

如图5(一个),如果运动被认为是走向前或者用户收益,我们可以关闭这两个传感器,感觉空间信息用户的左派和右派。这是因为四个传感器检测额空间可以侦测障碍物放置的左派和右派用户如果平均步行速度。因此可以降低功耗选择性地激活传感器,被安排在同一个方向的行走方向用户。如图5 (b)当运动被认为是快走或者检测到一个障碍,我们必须获取空间信息用户的左派和右派,避免障碍。此外,有必要分析额空间精确快走。因此,我们必须激活所有的超声波传感器。这将使我们能够准确检测障碍物,即使用户走快。

此外,我们定期把识别标记固定在天花板上,使跟踪用户的位置通过摄像头识别的标记。我们增加了相机的帧率的准确识别标记,当运动被认为是快走和最小化时的帧速率运动被认为是走,如图6。方法可以减少所需的电池通过降低帧率,同时保持检测的准确性,当运动被认为是走。

4所示。实验结果

4.1。运动模式分析

人类是非常重要的正确分类的各种运动。我们进行了实验,比较几种分类器来检测特定运动的准确性从输入数据,如平均值和标准偏差的水平和垂直分量从加速计传感器获得。我们比较和分析四个分类:决策树(DT),朴素贝叶斯(NB),最近的邻居(神经网络)和基于概率推理的逻辑回归(LR)技术。分类器的窗口大小设置为100样本收集在同一时间为五个动作:站、散步、快走,上楼梯,下楼梯。表2显示了每个分类器分类精度应用。如结果所示,所有的分类器分类站运动,但他们表现出低精度提升楼梯运动相对于其他运动。决策树分类所有的运动相对于其他分类器。因此,我们决定用决策树分类器。

我们构建一个C4.5决策树生成的Weka工具包,这被认为是一个相对精确的方法即使少量的训练样本(28]。我们执行流程的培训和执行阶段,检测运动。在训练阶段,我们收集用户的运动。我们计算平均值和标准偏差的水平和垂直分量加速度值不断在一个预定义的时期。然后,我们使用生成决策树样品和测试数据(4]。识别的准确性增加而增加和;然而,在我们的实验中,我们得到高精度即使小样本空间。我们确定了三个运动取决于用户的步行速度:“站(0公里/小时)”、“走(少于3 km / h)”和“快走(少于5公里/小时)。“此外,实验的结果提升楼梯和下楼梯。在执行阶段,当前的运动是由探索决策树。我们可以实现精确的运动分类定期检查水平和竖直分量和决策树只传输准确值。

样本空间的大小是一个重要因素所需的决策树。确定一个合适的值,我们进行实验,测量运动分类的准确性和树搜索各种因素值的时间。我们收集了一组训练数据和生成的决策树(33]。表3运动检测报告的准确性和树不同值的搜索时间。精度提高的大小增加,但分类计算时间增加。换句话说,如果分类计算需要更多的时间比较大。此外,认识到运动的搜索时间成正比。因此,我们设计的树之间的权衡考虑运动检测和运动识别的准确性。从这些实验中,我们确定应该是50,因为所有运动的结果表明,检测精度高,计算在0.25秒内完成,也就是说,运动检测到足够准确的成本最低。

我们认为活动超声波传感器的数量和相机的采样率,根据三个动作(可以控制站,走,快走)要求明显不同数量的权力。的情况下站国家,我们不供电的超声波传感器和照相机。当运动被认为是走,我们只激活四个超声波传感器探测障碍物在用户面前,我们捕捉图像的帧率大约3 fps。当运动被认为是快走,我们激活所有超声传感器和操作相机的最大帧率(5帧/秒)。通过大量的实验,我们确定最优数量的活跃传感器和相机的采样率根据情况,旨在最大限度地提高运动检测的准确性和降低电力的损耗。我们建造了一个混淆矩阵从决策树使用10000个样本。我们目前的结果在图7。我们确认的数量传感器和相机的帧速率变化自适应地根据用户的运动,如图7。

4.2。精度测量

我们评估了性能与五个随机选择的学生年龄在20到40之间和四个视障人士。用户不熟悉实验和学生蒙住眼睛。障碍的路径是一个盒子(约20厘米宽)。我们确定最优标志大小12×12厘米,考虑从天花板到地面的距离,相机视角。如果障碍检测,用户被要求“停止行走,直到听到消息。“扫描使用六个传感器需要125 ms和延迟设置为400 ms(之间的时间检测一个障碍并提供反馈给用户)。我们决定这个延迟提供足够的时间来应对任何运动变化的用户,通过重复实验。

如表所示4,我们测量障碍的检出率不同数量的传感器。当运动被认为是走的检出率分别为94%和97%,四个和六个活跃的超声波传感器,分别。这两种情况下的实验结果相似。然而,的情况下快走速度快67%走,四个主动传感器的检出率与六个传感器相比减少约40%。因此我们需要激活只有四个传感器(降低能耗)走。然而,我们应该操作期间所有的传感器快走如果我们的目标是保持在两种情况下类似的准确性。

图8显示标记的检测率不同的相机帧率。我们测量帧率从1 fps - 7 fps。然而,我们专注于三个帧率(2、3和5帧/秒)显示精度高和保存大量权力重复实验。3帧/秒的精度是类似如果运动被公认为5帧/秒走。然而,3 fps的检出率显著高于其他的帧速率。因此,我们使用3 fps期间走因为它需要更少的电力比其他帧速率,同时提供类似的准确性。

4.3。功耗测量

我们测量的相对能耗通过设定一个时间段(10000个样本)和考虑三种模式(激活六个超声波传感器,四个传感器,传感器)。图9显示了不同的电力消耗数量的活跃的超声波传感器。我们评估了功耗的电流和电压的电池。电力消耗等于电压和电流的乘积。因此,能耗影响活动的传感器的数量,因为传感器的电流。从实验结果,需要约450 mA如果有六个主动传感器,与350年相比马没有激活。我们可以因此减少能耗,通过控制活动传感器基于运动的数量,同时保持所需的障碍检测的精度水平。

图10给出了功率消耗各种相机的帧速率。我们评估了相对能耗通过设定一个时间段(10000个样本)和考虑三种情况(抽样2 fps, 3 fps, 5帧/秒)。当抽样5帧/秒,约17%的电量也更比3 fps抽样时是必需的。如图,相机的帧速率影响当前的需要,因此它的功耗。我们可以控制相机的帧速率自适应地根据用户的运动来降低功耗,同时保持检测的准确性。

我们测量功耗的数量在两种情况:当,当不应用运动背景。运动情况下应用上下文被定义为SAS(选择性地激活传感器)和运动情况下不使用上下文被定义为FAS(完全激活传感器)。每个实验进行了一个简单的路径包括在一个拥挤的障碍和路径有漫长的步行距离。如图11当运动被认为是走在一个简单的路径,系统消耗更少的功率比当它被认为是大约15%快走。此外,它显示功率降低约18%相比,FAS的情况下不使用运动背景。在一个拥挤的道路,当运动被认为是走少,系统在功率比当它被认为是大约12%快走。此外,有一个功率降低的影响相比,应用FAS中约20%。因此,我们可以通过实验验证了该方法的可用性,表明有一个相对节电约15%或更多而不使用运动环境。

5。结论

在本文中,我们分析了运动的移动设备的用户使用数据的三轴加速度计和倾斜传感器。我们发现,我们可以降低设备的功耗控制活动传感器的数量和相机的帧速率用于获取数据的空间背景下,基于用户的识别运动。这使得设备的使用在较长时间和减少设备的重量和大小,因为它应该可以降低电池的容量,而不过分牺牲性能。作为未来的工作,我们正在应用该方法在smartwatch移动设备之一。该方法可以应用于各种移动设备硬件加速传感器和节省电源通过控制传感器嵌入在移动设备上的激活。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究受到了韩国卫生技术研发项目的资助通过韩国健康产业发展研究所(KHIDI),由卫生部&福利,大韩民国(批准号HI14C0765)。这项工作是由韩国仁荷大学研究基金会资助。

引用

1. 毛雷尔,a . Smailagic d . p . Siewiorek和m .一家”活动识别和监测使用多个传感器在不同的身体位置,”学报》国际研讨会可穿戴和植入身体传感器网络(BSN 06年)IEEE,页114 - 116年,剑桥,质量,美国,2006年4月。视图:出版商的网站|谷歌学术搜索
2. l .包和s . s . Intille”活动识别从user-annotated加速度数据,”普适计算a . Ferscha和f .不受。,pp. 1–17, Springer, Berlin, Germany, 2004.视图:谷歌学术搜索
3. j . y . Wang Lin m . Annavaram et al .,“一个框架的能量高效的移动传感用户状态自动识别,”学报》第七届国际会议在移动系统中,应用程序和服务(MobiSys ' 09)ACM,页179 - 192年,克拉科夫,波兰,2009年6月。视图:出版商的网站|谷歌学术搜索
4. j·h·李,李y, e . s . Lee, j . s .公园,和b . s . Shin”通过运动自适应功率控制的避障系统使用上下文视觉受损的人,”《云计算国际会议和社交网络(ICCCSN ' 12),页1 - 4、万隆、印度尼西亚,2012年4月。视图:谷歌学术搜索
5. n . Kern b Schiele, a·施密特,“多传感器活动可穿戴计算环境检测,”环境智能卷,2875在计算机科学的课堂讲稿施普林格,页220 - 232年,柏林,德国,2003年。视图:出版商的网站|谷歌学术搜索
6. a . Krause d . p . Siewiorek a . Smailagic和j .位于“看管,生理和行为的动态识别上下文在可穿戴计算”可穿戴计算机学报》第七届IEEE国际研讨会(ISWC ' 03),页88 - 97,白色平原,纽约,美国,2003年10月。视图:谷歌学术搜索
7. n . Ravi n . Dandekar p .迈索尔,m·l·利特曼“活动识别从加速度计数据,”17会议程序的创新应用人工智能(IAAI 05),3卷,第1546 - 1541页,匹兹堡,Pa,美国,2005年7月。视图:谷歌学术搜索
8. t . Choudhury g·博列洛,s Consolvo et al .,“移动传感平台:嵌入式活动识别系统,”IEEE普适计算,7卷,不。2,32-41,2008页。视图:出版商的网站|谷歌学术搜索
9. d . m . Karantonis m . r . Narayanan m·马斯n . h·洛弗尔和b . g .玻璃纸”实现的实时人体运动分类器使用三轴加速度计动态监测、”IEEE在生物医学信息技术,10卷,不。1,第167 - 156页,2006。视图:出版商的网站|谷歌学术搜索
10. d . Mizell“使用重力估计加速度计取向,”可穿戴计算机学报》第七届IEEE国际研讨会(ISWC ' 03)2003年10月,页252 - 253。视图:谷歌学术搜索
11. t . Huynh和席勒的影子,“活动特征进行分析识别,”诉讼的联合会议上智能对象和环境情报:创新环境敏感服务:用法和技术(sOc-EUSAI ' 05)163年,页159 - 2005年10月,法国格勒诺布尔。视图:出版商的网站|谷歌学术搜索
12. x长,b .阴,r . m .艾亚茨“Single-accelerometer-based日常身体活动分类,”学报的年度国际会议在医学和生物学协会(IEEE工程EMBC ' 09)IEEE,页6107 - 6110年,明尼阿波利斯,明尼苏达州,美国,2009年9月。视图:出版商的网站|谷歌学术搜索
13. z l . Husz a . m .华莱士和p·r·格林,“人类活动识别与操作原语,”《IEEE视频和基于信号的监测(AVSS ' 07),页330 - 335,伦敦,英国,2007年9月。视图:出版商的网站|谷歌学术搜索
14. t .醒来时,“认识到人类活动视频multi-resolutional光学流,”《IEEE / RSJ智能机器人和系统国际会议(——06年),第1798 - 1793页,北京,中国,2006年10月。视图:出版商的网站|谷歌学术搜索
15. 朱c和w .盛”,多传感器融合人类日常活动识别符合生活,”《第四届ACM和IEEE国际人机交互会议上(HRI ' 09)2009年3月,页303 - 304。视图:出版商的网站|谷歌学术搜索
16. m . y .马利克现代智能手机的功耗分析,2012年计算机科学,课堂讲稿。
17. g . p . Perrucci f .惠普Fitzek, j . Widmer”调查能源消费实体智能手机平台,”IEEE 73车辆技术研讨会论文集(职业训练局春”11),页1 - 6,2011年5月,日本横滨。视图:出版商的网站|谷歌学术搜索
18. a . Shye b Scholbrock, g . Memik”到野外:学习真正的用户活动模式来指导力量移动架构,优化”学报》第42届IEEE / ACM国际研讨会微体系结构(MICRO-42 ' 09)IEEE,页168 - 178年,纽约,纽约,美国,2009年12月。视图:谷歌学术搜索
19. 肯尼迪,a . Ksentini y Hadjadj-Aoul, G.-M。统治下“自适应能源优化multimedia-centric无线设备:一项调查,“IEEE通信调查和教程,15卷,不。2、768 - 786年,2013页。视图:出版商的网站|谷歌学术搜索
20. 杨和m .歌”,基于阈值的帧频调整节能便携式媒体播放器,”IEEE国际会议消费电子学报》(ICCE 15)页,50-51拉斯维加斯,内华达州,美国2015年1月。视图:出版商的网站|谷歌学术搜索
21. 肯尼迪,h . Venkataraman G.-M。统治下,“动态流控制节能视频流,”《IEEE国际研讨会宽带多媒体系统和广播(BMSB 11),页1 - 6,纽伦堡,德国,2011年6月。视图:出版商的网站|谷歌学术搜索
22. z, y, s . Chan和L.-T。贾”,运动背景:一个新的人类行为表示认可,“电脑Vision-ECCV 2008卷,5305在计算机科学的课堂讲稿施普林格,页817 - 829年,柏林,德国,2008年。视图:出版商的网站|谷歌学术搜索
23. m . Azizyan i Constandache, r·罗伊·乔亨瑞”SurroundSense:手机定位通过环境指纹”美国第15届ACM移动计算和网络国际会议(MobiCom ' 09),第272 - 261页,北京,中国,2009年9月。视图:出版商的网站|谷歌学术搜索
24. s . p . Chatzis d i Kosmopoulos, t . a . Varvarigou“健壮的时序数据建模使用隐马尔可夫模型局外人宽容,“IEEE模式分析与机器智能没有,卷。31日。9日,第1669 - 1657页,2009年。视图:出版商的网站|谷歌学术搜索
25. m·霍尔·e·弗兰克,g .福尔摩斯b . Pfahringer p . Reutemann和i . h .威滕“WEKA数据挖掘软件,”ACM SIGKDD探索通讯,11卷,不。1,10 - 18,2009页。视图:出版商的网站|谷歌学术搜索
26. r .交叉”,站立,行走,跑步,跳上一个力板,“美国物理学杂志》,卷67,不。4、304 - 309年,1999页。视图:出版商的网站|谷歌学术搜索
27. d .冬天,“人类的平衡和姿势控制在站立和行走过程中,“步态和姿势,3卷,不。4、193 - 214年,1995页。视图:出版商的网站|谷歌学术搜索
28. a . Taherkhani”认识到排序算法C4.5决策树分类器,”诉讼18 IEEE国际会议项目的理解(ICPC的10)布拉加,页72 - 75年,葡萄牙,2010年7月。视图:出版商的网站|谷歌学术搜索
29. c .叮,x他。”K——通过主成分分析,聚类”21国际会议的程序机器学习(ICML ' 04)ACM,页225 - 232年,阿尔伯塔,加拿大,2004年7月。视图:出版商的网站|谷歌学术搜索
30. H.-L。卢”,实现了维特比算法”,IEEE信号处理杂志,12卷,不。5,42-52,1995页。视图:出版商的网站|谷歌学术搜索
31. 戈尔。金,j·汉,C.-G。李,“最佳3-coverage最低分离要求无处不在的计算环境中,“移动网络和应用程序,14卷,不。5,556 - 570年,2009页。视图:出版商的网站|谷歌学术搜索
32. 黄永发。李,崔e . s . Lim和s。心,“可穿戴计算机系统反映空间上下文,”学报第一IEEE国际研讨会在语义计算和应用程序(IWSCA ' 08)仁川,页153 - 159年,韩国,2008年7月。视图:出版商的网站|谷歌学术搜索
33. y李和m .歌曲“选择性降低电力设备激活基于重力感应的可穿戴的盲人导航系统,”IEEE国际会议消费电子学报》(ICCE 12)107年,页106 -拉斯维加斯,内华达州,美国2012年1月。视图:出版商的网站|谷歌学术搜索

版权

版权©2015 Jin-Hee李等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。