基于时间标记异构数据的移动众感表示学习

抽象的

移动众感知是一种新的范式，它可以利用无处不在的智能手机收集和分析数据，以造福用户。但智能手机采集的感官数据由于粒度不同、传感器源多，往往涉及不同的数据类型。此外，数据也有时间标记。异构和时序数据的出现给数据分析提出了新的挑战。一些现有的解决方案试图逐一学习每种类型的数据，并分别分析它们，而不考虑时间信息。此外，传统的方法还必须确定手机的方向，因为智能手机中配备的一些传感器是与方向相关的。在本文中，我们认为多传感器的组合可以代表一个不变的特征的人群感知环境。因此，我们提出了一种新的带有时间标签的异构数据表示学习方法，利用深度学习提取典型特征。结果表明，该方法能够有效地适应不同方向生成的数据。此外，我们通过智能手机传感器识别两种群体移动活动，步行/骑车和驾驶/公交车，测试了所提方法的性能。 It achieves precisions of和骑车和步行的区别，公交车和开车的区别。

1.介绍

智能手机最近变得非常流行。拥有各种传感器和强大功能(计算、存储和通信)的智能手机的发展激发了一种流行的计算和传感范式，众包．由于传感器的移动电话爆炸，我们可以感知环境，基础设施，甚至社交活动[1］．例如，在[2[作者]作者提出使用带内置三轴加速度计的智能手机来识别体育活动，这可以提供有关个人功能能力和生活方式程度的有价值的信息。除了使用智能手机的单个类型传感器之外，我们通常使用智能手机的多重电视传感器以获得各种应用的更全面的感官数据[3.，4］．然而，来自各种数据源的感官数据通常是异质的，代表不同的粒度和不同的质量。此外，数据通常是标记的时间。由于感觉数据的两个特征，如何正确地“理解”的异构数据是正确的数据分析的新挑战。

一些现有的解决方案倾向于逐个传感器分析单一类型的数据[4- - - - - -6］．例如，在[5[作者，作者专注于通过使用智能手机的加速度计，麦克风，GSM无线电和/或GPS传感器来检测坑洼，凸块，制动和鸣喇叭的流量监控。它们分别分析从这些传感器中的每一个生成的数据。这些方法的缺点是它们只能获得感觉数据的单向特征。其他一些研究人员提出了传感器融合方法来学习感官数据[3.，7］．这是通过特征提取方法来实现的，其中每个传感器的特征独立地计算。然后，将提取的特征集成用于来自多传感器的信息融合。虽然这些方法导出了感官数据的综合特征，但它们不能表示异构数据的内部关系。此外，所有这些方法都不会考虑感官数据的时间标签，这可能导致一些典型的特征被忽视。因此，有些作品尝试使用隐马尔可夫模型（HMM）学习感官数据的时间特征[8，9］．但基于肝的算法只能获得感觉数据的相邻时间点的特征而不是整个时间特征。

由于现有方法的局限性，我们提出了一种新的处理方法表示学习基于深度学习的带有时间标签的异构数据提取典型特征的方法。在我们的模型中，将多种传感器设置为相同的采样频率。然后，根据数据采集的顺序，对感官数据进行“序列标签”标记。因此，收集的数据及其序列标签可以作为一个整体特征组合在一起。然后，这种全局数据集成可以被深度学习网络接受为输入。有了多层次，深度学习更加强大和灵活。它能够结合许多层来生成一个集成的特性。在众感中，我们认为从多个感知数据中提取的综合特征可以很好地识别对应的上下文。此外，由于感官数据带有时间标签，我们也可以在模型中从原始数据中学习时间知识。总之，我们不仅整合了来自多个传感器的异构数据，而且还将其与时间信息相结合。 We named the combination as上下文指纹．

在本文中，我们提出并演示了我们分析感官数据的方法。我们对同一时间收集的所有数据进行分组来自多个传感器源及其序列标签作为一个向量。假设在时间点生成的向量用来表示而采样窗口的长度是．然后，我们可以得到矢量序列标签在时间以同样的方式。重复这个采样过程时间，我们可以得到样本， 在哪里是一个矩阵列。由于感官数据来自不同粒度的数据源，因此有必要对原始样本进行细化通过数据预处理。使用预处理，我们得到相同的尺寸样本从．样品将作为我们深度学习模型的输入。实验结果表明，深度学习重建的情境指纹能够有效地表征众感情境的不变特征。我们提出的方法具有以下创新特点:(1)将整体特征(上下文指纹）原始数据作为输入，（ii）除了感官数据本身之外，它捕获和学习，数据的标记时间信息并利用它们的上下文推断，（iii）与深度学习模型，我们没有必须做方向纠正;换句话说，我们不需要关心电话方向的问题。

本文的主要贡献是多方面的，包括以下几点:（1)我们提出整合多个传感器及其序列标签的特征作为一个整体指纹，用于人群感知中的数据分析。（2)我们考虑了时间信息的因素，提高了移动活动识别的效率。（3）通过深度学习模型，我们使智能手机数据分析与智能手机定位无关。（4)我们评估了从智能手机的多个传感器收集的真实数据的建议方案。

本文的其余部分结构如下。部分2提出了相关工程的简要概述。在部分3.我们介绍了时延多层感知模型的基本架构。我们解释了网络培训4．部分5通过在现实情景中收集的数据来评估我们在人类移动活动中推断的计划，以及6总结了这篇论文。

2.相关工作

由于智能手机和多理传感器的普及，它的配备，对移动应用研究越来越感兴趣[10- - - - - -13］．他们利用智能手机的传感器感知我们的物理环境或个人的生理参数等等。感官数据始终是多模式，代表不同的粒度和不同的质量。为了妥善理解所收集的数据的潜在含义，许多研究人员将自己致力于学习数据的表示，使其更容易提取有用信息。在[14]，作者提出了智能手机的加速度计，陀螺仪和磁力计的所合成的载体。然后，三个传感器的各个定义的阈值用于坠落检测。多元传感器的感觉数据的独立表示机制用于[15，16]。这些方法虽然是轻量级的，但只能获得感官数据的一维特征，不能形成判别特征。例如，用于楼下和楼上的加速度计具有类似的变化特性。

鉴于感官数据的独立表示机制的不足，一些研究提出了基于传感器融合的方案来学习感官数据的表示。传感器融合是从不同源导出的感觉数据或数据组合，使得所得到的信息与单独使用这些源时的不确定性较少的不确定性[17］．通过融合过程，我们可以从不同的原始数据源获得更准确和更可靠的结果。例如，在[18]，为了提高定位服务，作者操作了至少四个传感器，包括麦克风、摄像头、WiFi无线电和加速度计。其目的是将多个特性结合起来，提供可靠的本地化服务。在[19[作者，作者呈现了异构数据表示的分层算法。在较低级别中，它提取了加速度计和麦克风的特征向量，用于运动和环境。在较高级别中，它结合了提取的两个功能来获得人类活动识别的集成功能。同样，在[20.， Zeng等人提出了一种动态异构传感器融合框架，以融合各种传感器数据。它学习传感器的权重，形成活动识别的综合特征。这些方案的缺点是只是简单地集成了异构数据，没有考虑不同传感器的影响。此外，一些工作还需要实现传感器的坐标重定向，以获得有意义的感觉数据，指示物体的物理活动[3.，6，21，这增加了系统实现的复杂性。

由于不同感觉事件的感觉数据可能呈现出不同的时间特征，一些研究试图探索在学习感觉数据时的时间特征。据我们所知，用于分析感官数据时间特征的方法是基于隐马尔可夫模型的算法[22，23］．然而，基于HMM的算法需要先验知识来定义其结构，这限制了其可行性。另外，分析相邻时间点数据的传递特征，使得它不能提取感觉数据的集成时间特征。

3.模型回顾

3.1。为什么选择深度学习

理论结果表明，对于复杂的提取过程，应用“更深”的结构可以进一步提高提取结果[24，25］．在本文中，我们提出了用时间标签标记的感知数据的学习表示，利用深度学习提取典型特征，深度学习是一种生成模型，由多层隐藏的随机潜在特征变量组成。我们的方法有两个优点。首先，我们在算法中考虑了时间信息来分析带有时间标记的感官数据。其次，与传统的每个传感器分别代表一个特征(子特征)的方式不同，我们认为智能手机所配备的所有传感器都将代表一个独特的特征，对应于一个上下文。也就是说，我们把所有的子特征整合成一个整体特征，也就是上下文指纹我们以前命名的。我们计划将这两种考虑的更多细节解释如下。

3.1.1。感觉数据的时间信息

通常，智能手机产生的感官数据都带有时间标记。例如，如果我们对当时的感官数据进行采样采样窗口长度，然后我们可以像这样收集数据序列:， 在哪里表示按照收集顺序排序的样本数据。因此，可以是由“序列标记”标记的时间．类标签是这个吗属于。对于移动人群，时间标签是有价值的信息，可用于随时间提取感官数据的改变特性。应在算法设计中考虑时间标签作为尽可能的MUCG。但是，现有方法通常无法有效地处理时间信息。在本文中，我们介绍了深度学习模型，以从标记的感觉数据中提取典型特征。

3.1.2。数据集成

为了实现使用深度学习提取典型的特征，有必要确定作为我们深度学习的输入数据的数据集成。数据集成是将驻留在不同源处的数据，并为用户提供这些数据的统一视图[26］．如前所述，我们将各种感觉数据和序列标签组合在一起以获得a上下文指纹．在我们的模型中，数据集成表示并不是将不同的传感器单独考虑为不同的子特征，而是一个不变的特征，即上下文指纹．例如，如果有四种传感器，我们可以操纵加速度计，陀螺仪，磁力计和指南针。必须有一个特殊的指纹矢量从特殊的背景生成和它对应的时间点。为每个上下文，必须有一个，只有一个对应它。和指纹矢量是方向不变。

３．２．深度学习模型

为了利用时间标签从感觉数据中提取典型特征，我们使用由许多层组成的深度学习模型。到目前为止，有各种深度学习架构，如卷积神经网络，递归神经网络和深度信仰网络。卷积神经网络（CNN）适用于处理视觉和其他二维数据[27］．递归神经网络（RNN）使用张量的组成功能，其结构非常复杂[28］．RNN适用于自然语言处理[29］．深度置信网络可以以无监督、逐层的方式有效训练，其中层由受限玻尔兹曼机(RBM)构成[30.］．因此，DBN可以大大减少训练样本。通过对比分析，我们选择深度信念网络(DBN)作为我们的深度学习模型。本文采用四层DBN结构，其中包含一个可见层和三个隐藏层。如图所示，这四个层形成了三个RBM组1．假设网络的输入数据向量为-维，由加速度计、陀螺仪、磁力计、罗盘和序列标签收集集成(本文只考虑4个传感器;对于更多的传感器，网络可以以同样的方式扩大)。

有我们DBN的可见层中的单位，负责接受输入样本。样本数据是标记的时间。假设每个样本都包含采样时间点;然后很容易知道每个输入样本是一个矩阵，．可见层应该接受一个样本的每个元素，如图所示1．直到现在，数字，它与两者线性相关和，可以计算为．如前所述，感官数据来自不同的粒度数据源。因此，我们这里使用的样本不是智能手机收集的原始数据，但已被预处理。本文进一步讨论了数据预处理。以下三个层是隐藏层。最低隐藏层有隐藏的单位，下一个有，顶层有隐藏的单位。第一个RBM的隐藏单元从可见层获取输入，然后将其训练良好的输出转发到第二个RBM。此时，第一隐藏层的单位在第二个RBM中变为可见单元。将重复该过程，直到确定顶层隐藏单元。应仔细选择每个隐藏层单元的数量，我们可以通过实验调整和搜索合适的。

３．3.数据采样和预处理

在本小节中，我们将解释如何从智能手机收集的原始数据中定义和获取样本。正如我们之前讨论的，原始数据是-维度，包含感知数据和序列标签。对于每个采样时间点，有一种-维向量将生成。在我们的模型中，我们选择连续序列数据作为我们的训练或测试样本，而不是仅仅一个采样点，因为只有足够长的序列数据才能捕获一个模式;换句话说，只有一个连续的采样序列才能正确地表示一个特殊的上下文。现在的问题是如何探索一个合适的采样时间长度，，正如我们之前讨论过的。

在我们的模型中，我们制作样本的长度与特定情况有关的，如人类日常活动的识别[2，14，31.或运输模式识别[32.- - - - - -34.］．针对不同的应用目的，我们选择了不同的时间长度．例如，在[33.]，有必要确定人们是否在公共汽车上。因此，我们应该使用更长的感官数据来实现这一目标;根据我们的实验，20〜120秒可以是用于采样时间帧的适当长度。然而，为了识别人的日常活动，例如骑行，5〜8秒就足够了。合理的价值在实验中选择不同的场景。正如我们之前讨论的那样，有每种原始样本的时间采样；．由于毛样的粒度不同，所以我们不输入毛样直接进入我们的模型。实际上，我们建议进行预处理并获得精致的样本进行以下培训和测试: 在哪里和是差异原样的行．精致的样本是光滑的，它也可以表示a上下文指纹．

4.深度信仰网络培训

预处理后，样品的大小可以被DBN的可见层接受。但是，与图像数据的像素矩阵不同，我们的样本是时延数据序列。为了整合感知数据，形成典型特征，需要对深度置信网络进行良好的训练。因此，我们的目的是找出DBN的参数，使网络误差最小化。这一过程分为两个阶段:(1)训练前阶段和(2)微调阶段。在下面的部分中，我们将详细描述这两个阶段。

4．1.Pretraining阶段

如图所示1，我们的DBN由三个RBM组组成，彼此分开。因此，我们单独培训每个RBM组。对于每个RBM，它是一个无向图的图形，由两层组成：用于表示用于表示特征探测器的观察和隐藏层的可见层。为可见层与隐藏层之间连接的权重。RBM的结构如图所示2．

让向量和表示可见单元和隐藏单元的状态，其中的状态TH可见的单位和的状态隐藏的单位。对于给定的状态， RBM中关节构型的能量为 在哪里是需要在RBM中培训的参数。是连接之间的连接的重量TH可见的单位和隐藏的单位和和他们的偏见。在能量函数的基础上，得到了给药 在哪里是分区功能。对于实际问题，预先训练算法的目的是确定观察数据的分布，即。的边际概率．可以用as表示

由于训练样本的能量可以通过提高样本的概率来降低，最优参数可以通过最大化似然函数来计算．它可以通过对的似然函数求导来计算关于参数: 在哪里参数与观测数据的乘积期望是和吗是根据模型生成的模型观察值的期望。当训练数据与生成数据相似时，我们获得了最优性能。因此，参数可以通过 在哪里是一种学习率。通过实验测试，为0.01。在第一个RBM训练良好之后，这个RBM中的隐藏单元将成为学习第二个RBM的可见单元。层对层的学习将重复进行，直到最后一个RBM得到良好的训练。此时，我们得到了参数的粗粒度最优值。为了进一步改善结果，下一阶段将实施微调过程。

4．2.微调阶段

上述阶段是一个自下而上的无监督学习过程，实现网络预训练。在此之后，将展开模型(如图所示)3.)来产生编解码器网络。在此基础上，对深度置信网络的参数进行了优化。在这一步中，过程是自上而下的监督学习。

为了实现网络的微调，本文采用BP (backpropagation)方法，将均方误差的梯度下降作为权值的函数来计算[35.］．具体地说，反向传播过程通过展开网络执行前向和后向两个阶段。在forward阶段，我们将训练数据转发到网络的输入，并计算推断的隐藏单元与学习的隐藏单元之间的差值。通过这种方法，可以通过将输出与期望输出进行比较来计算误差。对于后一阶段，我们可以求误差函数对权值的导数，然后用它们来调整所有连接之间的权值。对于每个训练数据，这个过程将重复许多次，直到网络收敛。在整个过程中，初始权值与训练前训练好的权值相同。

5.评估

5.1。样本集

分析由智能手机多个传感器生成的数据，以设计和开发移动应用程序不是本文的目标。本文中最重要的是提出并展示了一种新的解决方案，用于有效地集成和分析多次标记的感官数据。如部分所述3．1在美国，我们计划集成四种传感器:加速度计、陀螺仪、磁力计和指南针。我们可以先解释如何进行预处理来开始我们的评估。我们收集的测试样本集对应两组移动活动，步行或骑自行车和开私家车/坐公交车．我们有六名志愿者来收集数据，其中四名男性，两名女性。在两周内，他们收集的感官数据量超过180小时。他们携带了6个不同的Android智能手机(不同的手机制造商)，配备了我们之前提到的四个传感器。采样频率为4hz。在数据收集过程中，我们从不限制智能手机的定位。这意味着所有的志愿者都可以用他们喜欢的最舒服的姿势来做样本。通常情况下，女性携带手机的方向与男性不同。但唯一的问题是他们必须在一个采样周期内保持一个手势。这意味着在采样期间，智能手机的手势不会改变。 And we do the training and testing with the cross validation method. We grouped the samples into four parts and randomly choose three of them as the training set. The left part is testing set.

5.2。实验结果

5.2.1。运行不同样本长度的DBN

我们用两组人类移动活动进行所有测试，步行或骑自行车和驾驶/公共汽车．在综合特征的基础上，使用SVM分类器对活动进行区分。精度和召回率是最广泛使用的质量测量方法。我们观察和比较了调谐样本长度时的精度和召回率．图4和5比较不同值时的查准率和查全率．我们首先测试我们的模型步行或骑自行车带有样本长度的测试集(只有一个采样点)，,,分别。在对这两种移动活动进行分类时，我们首先对其进行了定义骑自行车作为正班（1）和步行为负类(0)，因此，识别精度骑自行车可以计算。然后，我们改变了步行作为正类，得到分类的精度步行如图所示4(一)．从图4(一)，我们可以发现集成功能实现具有不同样本长度的优异性能。并且样本长度约为1.75 s〜5.25 s以上达到稳定的精度并且有一个峰值．

的测试驾驶/公共汽车作品以同样的方式行事。但是，为了认识到开车从公共汽车，我们需要扩大样品长度，因为只有足够长的样品可以捕获驾驶或乘坐公共汽车的特性。因此，在搜索适当的样本长度时，我们选择候选样本长度为,,分别。如图所示4 (b)，样本长度在区分中发挥更重要的作用驾驶/公共汽车比骑自行车/步行．样品长度的有效范围为37.5 s〜52.5 s。样品长度太小或太大了，永远不会实现令人满意的精度。实际上，不仅而且两个测试的隐藏层单元的数量也不同。我们选择，,用于识别实验步行或骑自行车．为了驾驶/公共汽车， 我们选择，,．对于可见单元，因为采样频率为4 Hz，如果我们选择作为样本长度。

统计的召回情况如图所示5，这揭示了具有不同样品长度的几乎与相同的现象。然而，在对驾驶和总线进行分类的测试中，区分总线比区分驾驶从测试样本集。如图所示4 (b)和5 (b)，两种质量测量，精度和召回，达到更高的结果，区分公共汽车从我们的测试样本。一个可能的解释是巴士通常比开车私家汽车或出租车。

5.2.2。DBN的整体性能

为了评估DBN模型的整体性能，我们将DBN与移动电话的活动识别系统(ARS)进行了比较[36.］．ARS操纵三种传感器:加速度计、磁力计和陀螺仪。DBN与ARS有一些不同之处。首先，ARS得到一个恒定的采样长度，即2秒，但采样频率为50 Hz。因此，有100个采样点。然后，ARS计算100个样本数据集的时间差异均值， 在哪里．第二，ARS的网络在输入层有9个完全连接的神经元，比我们的DBN模型要少。

我们利用DBN和ARS对步行、骑车、开私家车和乘公交车这四种移动活动进行分类实验。对于每个活性，ARS使用相同的采样长度，而DBN对不同的活性选择不同的采样长度。如上文所述，DBN分别使用2 s、5 s、40 s和35 s采样长度，采样频率为4hz，对步行、骑车、私家车驾驶和乘坐公交车进行分类。为了全面评估绩效，我们引入F1分作为新的质量测量[37.］．这是一种测试准确性的衡量标准。F1分定义为．这FARS和DBN的1分结果见表1．

如表所示1，我们可以看到，从DBN中提取的综合特征在识别所有四种移动活动方面都优于ARS，特别是后三个活动。原因是足够长的时序数据可以捕获一些移动活动的更多特性。此外，DBN还考虑了感觉数据的时间标签。虽然ARS的采样频率较高，但在短时间内，感官数据的特性不会发生显著变化。这将增加计算负荷。

5.2.3。评估取向不变性

配备智能手机的一些传感器是定向相关的，如图所示6．对于不同的方向，数据将在同一上下文中不同地存在。例如，在步行期间，携带智能手机的不同手势将产生加速度计的不同数据记录。传统上，在处理数据的那些不同的数据表中，我们必须首先确定某些规则的方向[5］．然而，在我们的模型中，我们不需要做这种调整方向的工作。它可以有效地学习同一上下文的不同数据表示。换句话说，它是方向不变的。

在评估我们方法的方向不变性时，我们用多个方向测试并观察相应的表现。如前所述，我们在采样期间我们从不限制智能手机方向。所有志愿者都可以在他们愿意时用最舒适的手势进行样本。实际上，使用完全五个手势志愿者，将手机放在外套口袋，裤子口袋，背包，女士手提包和他们的手中。我们首先对只有一种手机携带收集的测试数据进行测试。然后，我们增加手势的类别来更新我们的测试。之后我们使用提取的功能观察品种的性能。我们还在骑自行车/散步和驾驶/公共汽车上进行同样的实验。如图所示6 (b)，我们的方法在两个分类实验中实现了稳定的结果。尽管具有多种方向的数据，但也可以识别出良好的性能。

6.结论

在本文中，我们提出并演示了一个新的模型，以分析多个时间标记的感官数据，使用深度学习的整体观点。我们的方法尝试将每个传感器的特征整合成一个组合特征(上下文指纹)，然后将其设置为DBN模型的输入。此外，它不仅捕捉和学习感官数据本身，还标记数据的时间信息，并利用它们进行上下文推断。在分析使用我们的方法提取的数据时，我们甚至不需要在抽样过程中考虑智能手机的方向。我们通过捕获四种感官数据集的可靠指纹来演示我们的模型，从而推断出两类移动活动，步行/骑自行车和驾驶/公共汽车．

利益争夺

提交人声明他们没有竞争利益。

致谢

这项工作是由天津（NO.15JCQNJC01400）的申请基金和先进技术研究项目和天津科学专员项目提供支持的一项工作得到支持（No.15JCTPJC58300）。

参考

1. R. K.Ganti，F. Ye和H. Lei，“移动人群：当前的国家和未来挑战”，IEEE通讯杂志，第49卷，第49期。11，页32-39,2011。视图:出版商网站|谷歌学术
2. A. M. Khan，Y.-k.Lee，S. Y. Lee和T.0.S.Kim，“人类活动通过支持加速度计的智能手机使用核心判别分析”第五届未来信息技术国际会议论文集(FutureTech’10)，第pp。1-6，釜山，韩国，2010年5月。视图:出版商网站|谷歌学术
3. D. A. Johnson和M. M. Trivedi，“使用智能手机作为传感器平台推动风格识别”第十四届IEEE国际智能交通系统会议论文集(ITSC’11)，第1609-1615页，美国华盛顿特区，2011年10月。视图:出版商网站|谷歌学术
4. C.-w.你，N. D. Lane，F. Chen等，“Carsafe App：通过智能手机上的双相机提醒昏昏欲睡和分心的司机，”第11届移动系统，申请和服务会议的第11届国际会议（Mobisys'13），pp.13-26，ACM，台北，台湾，2013年6月。视图:出版商网站|谷歌学术
5. P. Mohan, V. N. Padmanabhan，和R. Ramjee，“Nericell:使用移动智能手机丰富的道路和交通状况监测”第六届ACM嵌入式网络传感器系统会议论文集(SenSys’08)，pp.2008 11月323-336。视图:出版商网站|谷歌学术
6. Y. Wang，J. Yang，H刘，Y.陈，M.粗鲁，和R.P.Martin，“传感车辆动态，用于确定驾驶电话使用”第11届移动系统，申请和服务会议的第11届国际会议（Mobisys'13），第41-54页，台湾台北，台湾，2013年6月。视图:出版商网站|谷歌学术
7. R.K.Ganti，S. Srinivasan和A. Gacic，“智能手机的多传感器融合，为生活方式监控”机身传感器网络国际会议的诉讼程序（BSN '10），第36-43页，新加坡，2010年6月。视图:出版商网站|谷歌学术
8. H. Kuehne，J.Anc和T. Serre，“用于视频分割和识别的端到端生成框架”IEEE冬季计算机视觉应用大会论文集(WACV’16)，第1-8页，普莱西德湖，美国纽约，2016年3月。视图:出版商网站|谷歌学术
9. H. Xu，Y. Lee和C. Lee，“使用基于嗯的特征关节的活动识别”第12届普适机器人与环境智能国际会议论文集(URAI’15)，pp.300-305，IEEE，戈唐，韩国再次，2015年10月。视图:出版商网站|谷歌学术
10. J. Eriksson，L. Girod，B. Hull，R. Newton，S. Madden和H. Balakrishnan，“坑洞巡逻：使用移动传感器网络进行道路表面监测”第6届移动系统，应用和服务国际会议的诉讼程序，pp。29-39，Breckenridge，Colo，美国，2008年6月。视图:出版商网站|谷歌学术
11. S. K. Vashist, E. M. Schneider和J. H. Luong，“基于商业智能手机的设备和个性化医疗监控和管理的智能应用，”诊断，卷。4，不。3，pp。104-128,2014。视图:出版商网站|谷歌学术
12. J. Eriksson, L. Girod, B. Hull, R. Newton, S. Madden，和H. Balakrishnan，“坑洞巡逻:使用移动传感器网络进行路面监测”，于第6届移动系统，应用和服务国际会议的诉讼程序，pp。29-39，Acm，Breckenridge，Colo，美国2008年6月。视图:出版商网站|谷歌学术
13. 罗建军，郭华，张志强。Ho，和R. Wisbrun，《海报:公园计量器:用大众感知的停车特征测量车库的拥堵程度》，发表于第十三届ACM嵌入式网络传感器系统会议论文集，第395-396页，ACM，韩国首尔，2015年11月。视图:出版商网站|谷歌学术
14. S. Madansingh, T. A. Thrasher, C. S. Layne，和B. Lee，“基于智能手机的跌倒检测系统”第15届国际控制，自动化和系统会议的诉讼程序（ICCAS '15），pp.370-374，釜山，韩国，2015年10月。视图:出版商网站|谷歌学术
15. J.-H.洪，B.边缘和A. K. dey，“基于智能手机的传感平台，模拟了激进的驾驶行为”第32届年度ACM关于计算系统人类因素会议（CHI '14）的诉讼程序，第4047-4056页，加拿大多伦多，2014年4月。视图:出版商网站|谷歌学术
16. Q. Huynh，U. D. Nguyen，L.B. Irazabal，N. Ghassemian和B.Q.Tran，“基于加速度计和陀螺液的秋季检测算法的优化”，“中国传感器杂志文章编号452078,8页，2015。视图:出版商网站|谷歌学术
17. Sensorfusion,http://en.wikipedia.org/wiki/Principal_component_analysis．
18. M. Azizyan, I. Constandache和R. Roy Choudhury， " SurroundSense:通过环境指纹识别的手机定位"第十五届ACM移动计算与网络国际会议论文集(MobiCom '09)，页261-272,ACM，中国，北京，2009年9月。视图:出版商网站|谷歌学术
19. G. Filios, S. Nikoletseas, C. Pavlopoulou, M. Rapti, and S. Ziegler，“通过智能手机传感器进行日常活动识别的分层算法”2015年IEEE第二互联网世界论坛的诉讼程序（WF-IOT'15）， pp. 381-386, IEEE，米兰，意大利，2015年12月。视图:出版商网站|谷歌学术
20. 曾敏，王旭东，吴鹏，张建军，“基于动态异构传感器融合的自适应活动识别”2014第六届移动计算、应用和服务国际会议论文集(MobiCASE’14)， pp. 189-196, IEEE, 2014年11月。视图:出版商网站|谷歌学术
21. C.歌曲，J.Wu，M.刘，H.G，H.G，B.Gou，“Resen：根据智能手机的众包，”在“中，传感和评估骑行体验，”第八届移动自组网与传感器网络国际会议论文集(MSN’12)，PP。中国成都，2012年12月147-152。视图:出版商网站|谷歌学术
22. T. Duong，H.H. Bui，D. Q. Phung和S. Venkatesh，“活动识别和异常检测与切换隐藏的半马尔可夫模型”IEEE计算机学会计算机视觉与模式识别会议论文集(CVPR’05)，第1卷，第838-845页，IEEE，美国加州圣地亚哥，2005年6月。视图:出版商网站|谷歌学术
23. l .谢S.-F。Chang, A. Divakaran，和H. Sun，“使用层次隐马尔可夫模型的多级统计视频结构的无监督发现”，在多媒体和世博会国际会议的诉讼程序（ICME'03），第3卷，III-29-III-32页，马里兰州巴尔的摩，美国，2003年7月。视图:出版商网站|谷歌学术
24. Y. Bengio，“学习AI的深层架构，”机器学习的基础和趋势，卷。2，不。1，pp。1-127,2009。视图:出版商网站|谷歌学术
25. I.阿瑞尔，d.c. Rose和T. P. Karnowski，“深度机器学习——人工智能研究的新前沿”，IEEE计算智能杂志，卷。5，不。4，pp。13-18,2010。视图:出版商网站|谷歌学术
26. M. Lenzerini，《数据整合:理论视角》，刊于21st ACM SIGMOD-SIGART-SIGART关于数据库系统原理研讨会（PODS'02）的诉讼程序，第233-246页，ACM，麦迪逊，美国威斯康星州，2002年6月。视图:谷歌学术
27. Y. LeCun, Y. Bengio，和G. Hinton，《深度学习》，自然，第521卷，第5期。7553, pp. 436-444, 2015。视图:出版商网站|谷歌学术
28. 吴振宇等，“基于情绪树库的语义组合递归深度模型”，发表于2013年自然语言处理经验方法学术会议论文集，pp.1631-1642，Citeeers，2013年10月。视图:谷歌学术
29. R. Socher, C. c - y。Lin, C. D. Manning，和A. Y. Ng，“用递归神经网络解析自然场景和自然语言”，在第28届国际机器学习会议(ICML’11)论文集，第129-136页，美国华盛顿州贝尔维尤，2011年6月。视图:谷歌学术
30. G. E. Hinton和R. R. Salakhutdinov，《用神经网络降低数据的维数》，科学号，第313卷第2页，2006。视图:出版商网站|谷歌学术|Mathscinet.
31. 问：Zhu，Z. Chen和Y. Soh，“基于智能手机的人类活动在建筑物中使用当地约束线性编码，”IEEE第10次工业电子和应用会议的诉讼程序（ICIEA '15），pp.214-219，IEEE，奥克兰，新西兰，2015年6月。视图:出版商网站|谷歌学术
32. S. Hemminki, P. Nurmi，和S. Tarkoma，“基于加速度计的智能手机交通模式检测”嵌入式联网传感器系统第11届ACM会议的诉讼程序，p。13，ACM，2013。视图:谷歌学术
33. P. Zhou，Y. Zheng和M. Li，“等多久等待？预测总线到达时间与基于移动电话的参与式感应，“第10届移动系统，应用和服务国际会议的诉讼程序（Mobisys'12），第379-392页，ACM，英国湖区，2012年6月。视图:出版商网站|谷歌学术
34. Z. Zhang和S. Poslad，“新型校正算法（Pocoa），用于改进的运输模式识别”，“IEEE系统、人与控制论国际会议文集(SMC’13)，pp.1512-1518，IEEE，曼彻斯特，英国，2013年10月。视图:出版商网站|谷歌学术
35. D. E. Rumelhart，G. E. Hinton和R. J. Williams，“通过误差传播学习内部表示”，DTIC文件, 1985年。视图:谷歌学术
36. N.Győrbíró，á。Fábián和G.Hományi，“移动电话的活动识别系统”，流动网络及应用第14卷第2期1，页82-91,2009。视图:出版商网站|谷歌学术
37. “F1得分。”https://en.wikipedia.org/wiki/F1_score．视图:谷歌学术

版权

版权所有©2016马春梅等人。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。