节能的人类活动实时识别在智能移动设备

文摘

如今,人类活动识别(HAR)中扮演一个重要的角色在wellness-care和上下文感知系统。人类活动可以通过使用感官被实时收集的数据从各种传感器在智能移动设备。最近的研究集中在哈尔仅仅基于三轴加速计,这是最节能的方法。然而,这样的HAR方法仍需要能源利用率低,因为加速度计运行不间断的身体活动用户可以实时识别。在本文中,我们提出一个新颖的方法HAR过程控制活动识别时间节能HAR。我们调查的影响改变acceleration-sampling HAR通过使用变量频率和窗口大小活动识别时间(VARD)策略。我们实现了我们的方法通过使用Android平台和评价其性能的能源效率和准确性。实验结果表明,我们的方法减少能源消耗约44.23%的最小和最大的约78.85%相比传统哈尔不牺牲准确性。

1。介绍

兴趣u-health和wellness-care最近已经增长1- - - - - -3]。各种技术,认识到体育活动的用户使用各种嵌入式传感器在智能移动设备正在积极研究。认识到物理人类活动可用于开发应用程序,预测事故或测量卡路里的消耗下降(4- - - - - -7]。这样的应用程序主要使用三轴加速度计,因为它消耗最少的功率比其他可用的传感器(8,9]。因此,“传感器”以后的使用在本文中是指一个三轴加速度计。

这些应用程序需要加速度计操作连续不停地为了识别不同的物理实时人类活动。不幸的是,这会产生不必要的能耗的传感器和计算开销;它被认为是一个大问题考虑有限的电力资源的智能移动设备(10- - - - - -12]。例如,尽管LG的Optimus Pro的电池寿命达到超过60小时关闭所有应用程序和传感器时,减少22小时当人类活动识别(HAR)应用程序被激活传感器(100赫兹)。

一个简单的解决方案是盲目地极限加速度计的使用,但这可能导致另一个问题牺牲人类活动识别的准确性。另一个解决方案是采用低acceleration-sampling频率(SF)传感器,但这可能导致重要抽样数据的损失。出于这个原因,以往的研究大多集中于完成,而非最优平衡能源效率和哈尔的准确性,而不是寻求最优功耗不牺牲HAR精度(13- - - - - -16]。先前的研究表明,他们需要的分析加速度计是随时操作;因此,能耗由于传感器本身的连续操作和相应的数据处理由CPU仍然没有得到解决。在本文中,我们认为可以节约能源很大程度上没有连续传感器操作。

为了进一步提高能源效率,我们提出一个方法,动态地控制变量活动识别持续时间(VARD) HAR。我们的方法将用户的活动动态或静态和控制的分类时间和睡眠时间HAR过程基于两个因素:acceleration-sampling频率和窗口大小(WS)。我们进行实验并进行了彻底的分析结果表明,该VARD战略执行方面的能源效率和哈尔的准确性。

本文的其余部分组织如下。部分2提出了一种分析之前的HAR方法高效的电力消耗。部分3描述了我们最初的动机和一个基本的HAR系统。部分4呈现不同的科幻小说的影响,WS和特征向量维数(种)在分类精度和功耗。部分5解释了VARD策略。部分6我们的方法的评价结果报告。最后,部分7结尾总结和未来的方向。

2。相关的工作

在本节中,我们首先提出了各种基于重力感应的HAR技术,然后讨论相关的先前的研究。

2.1。人类活动识别使用加速度计

早期的研究人员调查了可穿戴传感器HAR;他们证明了使用可穿戴传感器可以提供高准确度的HAR (17- - - - - -20.]。最近可穿戴传感器HAR增强了一些以前的工作。香港et al。21)提出了一个个性化的HAR系统使用贝叶斯网络和支持向量机(SVM)。

由于智能移动设备技术的快速发展,许多研究人员专注于移动基于HAR。他们的工作(4,22- - - - - -24)也被证明是成功的在提供较高的识别率。Torres-Huitzil和Nuno-Maganda25]显示位置无关的HAR系统使用时域特性和神经网络。签证官et al。13通过SVM)提出了一个个性化的HAR系统,还有一个-medoids聚类方法。艾伯特et al。2对帕金森病人HAR系统进行了研究。

HAR智能移动设备有前途的平台,因为他们不仅配备嵌入式内置传感器,而且是一个自然的一部分,人类日常生活的日常生活(26]。然而,智能移动设备需要能源管理由于其有限的资源。

2.2。人类活动识别与节能

天真的解决减少移动设备的功耗是限制使用加速度计。然而,这种方法可能影响HAR精度,因此应用时应特别谨慎。

签证官et al。13)旨在减少能耗提高加速度计和CPU的HAR算法。他们的方法依赖于支持向量机和时域特性和功耗减少了约6.7%相比,传统方法采用支持向量机和快速傅里叶变换(FFT)。然而,他们更关注HAR精度比降低了功耗。

签证官et al。14和燕等。15)提高能耗效率通过改变SFs的加速度计和分类功能。关键概念是识别科幻和分类功能的最佳组合为一个特定的活动。他们的方法减少了能耗约20% - -25%相比以前的方法。然而,他们的方法也需要连续操作的应用程序运行时三轴加速度计。

梁等。16]减少了能耗使用低SFs的HAR。他们提出了一个分层识别算法,利用时域特性、频域特性,和相似性度量。他们的算法应用决策树SVM。在他们的研究结果,电池寿命延长3.2 h。然而,由于该算法试图利用较低的科幻小说,最好HAR精度在85%以上,这是低于其他研究[13- - - - - -15]。

在本文中,我们提出一个新方法哈尔的过程,反映了移动用户的物理状态。我们的方法可以获得相似的或更高的HAR精度相比以前的方法,同时提供更好的能源效率。

3所示。人类活动识别在智能移动设备

在这项研究中,我们的目标是开发一个轻量级HAR方法使用嵌入式智能移动设备的加速度计。建立一个移动HAR系统在智能移动设备,传感器监测和实时检测方法需要考虑用户活动,如图1。

典型HAR口译的过程可以被定义为原始传感器数据分类的一组物理人类活动(27]。统计机器学习技术是用来推断的信息活动从原始传感器读数;这个过程通常包括一个训练阶段和预测阶段。学习训练阶段需要收集标签数据的模型参数和建立一个培训模式集合。预测阶段使用的培训模型分类体育活动的用户在下列顺序:预处理、分割、特征提取和分类。下面的解释提出了哈尔的细节过程。

3.1。收集加速度

物理人类活动包括基本的运动如散步,坐着,站着,并运行。我们选择了6个最常见的活动目标活动,已被公认的在以前的作品(8,13- - - - - -16,19,24]。表1给我们的研究目标的活动。

我们收集的数据从三轴加速度计(微处理器- 6050;最大距离:39.227米/秒²;解析:0.001米/秒²Android Kitkat 10/24/11) LG的Optimus Pro (OS)两名男性受试者的28岁和32岁。智能移动设备装在裤子的后兜的主题。

Android操作系统,四个不同的SFs(正常:5赫兹,UI: 16赫兹,游戏:50赫兹,和最快)加速度计可以选择。最快的科幻取决于每个特定的计算工作负载移动设备,因此可以从设备到设备不同。对于我们的设备,最快的频率为100赫兹。在这项研究中,我们收集了训练数据为六个活动从两个科目。对于每个活动,在四个不同的SFs 30样品;因此,我们总共收集了1440个样本。样本是一个单元只有一个活动分类和对应于一个窗口包含预设数量的连续的加速度计数据,我们称为WS。部分4讨论了实验与上面的样本。图2展示了一个例子,人类活动在每个轴上的加速度信号。这个例子得到100 Hz的科幻和WS 128。

3.2。数据预处理

预处理步骤包括分割、总大小(TM)和规范化。在分割阶段,原始加速度计数据划分为windows和大小,在那里加速度计的样品连续两个重叠窗口。特征提取已成功执行windows上有50%的重叠在以前的工作17]。TM是一个用户活动的强度(振动)和活动之间是歧视的重要指标8,16,24]。TM是根据计算,在那里抽样数据的大小设在。图3阴谋每个轴上的加速度,TM数据样本的“步行”活动。

最后,原始数据和TM数据归一化值的范围(−1,1)后的特征提取和分类28]。

3.3。提取的特征

选择合适的功能从原始数据HAR性能起着重要的作用。一般来说,哈尔的相关特性提取分成三类:(i)时域特性如均值、标准差,能量,和轴之间的相关性13- - - - - -17,23];(2)频域FFT等特性系数、零交叉率,和自相关的大小13- - - - - -17,29日,30.];(3)其他特性,比如小波的特性16,29日),自回归系数(31日),离散余弦变换系数(32]。

FFT系数表明更高的平均精度比其他特性(16,31日]。因此,第一个20 FFT系数(前五的三轴和五从TM;看到部分4.1和4.2)选择对于每一个窗口,如图4。FFT系数在每个轴反映基本波的振幅可以组合重构原始信号。对于FFT,我们利用decimation-in-time (DIT) Radix-2 FFT (33),递归分区离散傅里叶变换(DFT)为两个半身的偶数和奇数阶的离散时间样本。

3.4。活动分类

提取的特征向量可以通过使用SVM分类器进行分类,这是广泛用于HAR (13- - - - - -15,23]。LibSVM [34)是采用对数据集进行分类。支持向量机学习算法,将训练样本到相应的类中通过最大化类之间的分离超平面的边缘为了解决分类问题。支持向量机有效地发现复杂的超平面非线性数据通过使用内核的技巧。我们使用径向基函数(RBF)内核为了支持向量映射到多个维度因为有20 FFT属性(23]。

人类活动被分为两个活动类型,为给定的表1:(1)静态活动类型(坐)包括“坐”和“站”,(ii)的动态活动类型(DAT)包括“行走”,“运行”,“提升楼梯,”和“下行楼梯。“坐在相当于不移动的放松的状态,以及DAT表示积极的运动。我们的策略利用了事实,人类很可能在一段时间内保持同样的活动类型,尤其是对SAT。

4所示。能源和准确性之间的权衡

科幻小说的影响、WS和种的分类精度和功耗进行了评估,和种科幻和WS确认申请我们的方法。来获取数据,我们关闭我们的移动设备的网络接口和显示在实验。我们使用PowerTutor [35)实用工具来测量功耗。

4.1。分类精度和Acceleration-Sampling频率

我们调查了不同的SFs对分类精度的影响WS 128和20种。在这里,2400个测试样本使用(6活动四SFs××100个样本)。

如图5、高SFs通常产生更好的预测,尤其是对DAT情况。记录的50到100 Hz SFs平均精度为90%或更多在六个活动和足够高于20赫兹的最小科幻评估所需的日常活动(36]。

4.2。分类精度和特征向量维数不同窗口大小

图6说明了分类精度变化的数量为每个WS系数。使用前20 FFT系数(前五的三轴和五从TM)产生超过90%的准确性WS 128或更多。我们的实验显示,一个稍微不同的结果相比Preece et al。29日),分析了歧视的能力个人FFT系数。他们发现,应用头18系数(前六的三轴)产生最大的准确性。这种差异可能是由于我们的TM系数特征向量。

4.3。功耗和特征向量维数

对于这个实验,我们设置科幻和WS - 100赫兹和128年,分别。100赫兹的科幻小说最好的分类精度,如图5,WS 128年预测的准确性超过90%,如图6。图7情节功耗超过30分钟对不同数量的FFT系数。的功耗会增加二次维度。基于结果如图3和420在我们的研究中,我们选择了一种。这是种之间的最小功耗的准确性超过90%。

4.4。功耗和Acceleration-Sampling频率不同窗口大小

图8说明了不同SFs的功耗和WSs 20种/ 2 h。结果可以概括如下:(我)科幻的耗电量明显增加。高频率的要求更频繁的原始数据集合。(2)大WSs通常消耗更少的能量,因为它们减少的数量分类,占据了大部分的电力消耗。

表2总结了我们的调查。我们采用SFs(50赫兹和100赫兹),WSs(128、256和512年),和一个种(20)产生一个精度低能耗的90%或更多。

5。实验变量活动识别时间的策略

监控用户活动在智能移动设备的节能方式,我们的研究集中在两个关键的想法。

首先,人类更倾向于保持同样的活动比变化从一个活动到另一个(例如,walk-to-run和sit-to-stand)。当一个活动是公认的,我们假设活动将持续一段时间。因此,我们专注于开发一种节能方案,增加了分类时间这种情况。如果我们增加一个活动的时期被认为在一个给定的时间,活动识别的频率会降低。因此,这减少了功耗识别所必需的活动。增加分类时间,我们采用了一种方法,降低了科幻和/或增加WS。我们确认,科幻和大型WS消耗更少的能量很低,如图8。

第二,动态的活动(例如,走路和跑步)比静态的更有意义的活动(例如,坐和站)相当于不移动的放松的状态,因为它可以用作数据动态健康信息如卡路里的消耗。因此,我们首先分类用户的活动DAT坐下,如表示1。然后,当一个坐在被公认,我们打破了哈尔过程为了节省更多的能量。

基于这些想法,我们应用不同的策略为每种类型的分类。控制时间,使用的科幻和WS DAT,和睡眠时间是另外用于坐。我们称之为节能方案识别变量活动持续时间(VARD)策略。

5.1。变量活动识别时间战略动态活动类型

增加持续时间分类,我们可以降低WS科幻和/或增加。然而,较低的科幻和大型WS对快速变化的活动,因为它们产生更少的样品比高科幻和小WS。因此,我们的策略是首先高科幻和小WS来快速识别变化的活动。如果相同的动态活动维持了很长一段时间,我们假设相同的活动将继续和采用一种方法来降低科幻和增加WS。

保证哈尔的能源效率和精度高,我们可以选择SFs 50和100赫兹,如图5WSs的128、256和512年,如图6。每个科幻和WS可以组合共有六个组合。的分类时间〈100赫兹,256〉和〈50赫兹,128〉都是一样的2.56秒。

然而,的功耗〈50赫兹,128〉(573兆瓦)是不足的〈100赫兹,256〉(832兆瓦),如图8。两个组合的另一个区别是,大WS提供更好的HAR精度,因为它提取更精确的特征与噪声的原始数据由后者先前的加速度变化的活动的一部分,如图9。这两个能源效率差异有冲突的倾向,哈尔的准确性。如果分类时间重叠,我们可以选择专注于节能节能组合。

因此,我们采用了四个组合策略DAT,表中列出3:〈100赫兹,128〉,〈50赫兹,128〉,〈50赫兹,256〉,〈50赫兹,512〉。我们使用相同的重复计数活动为了检查相同的活动是连续的。这个数设置一个阈值,我们实现了一个从当前组合策略改变下一个结合低频率和大WS如果计数超过阈值。发展为每个配置远离第一组合导致改善能源效率和边际削弱哈尔的准确性。

5.2。静态变量活动识别时间战略活动类型

坐在我们的策略是基于一个类似的概念的DAT策略。然而,没有必要认识坐在经常因为相比DAT少运动。我们坐的策略,因此,使用在哈尔过程中睡眠时间以及科幻和WS更好的能源效率比DAT策略。此外,DAT应该稳定承认在坐的国家,因为它比SAT中提取加工的重要信息。

在我们的战略,当一个坐被认为在人类活动的分类,这个过程可能需要休息。休息之后,人类的活动是重新分类。结果,分类时间增加在一个给定的时间,因为这种策略结合了睡眠时间。

以确保稳定的HAR精度,同时减少能源消耗,这种策略涉及到0时坐睡觉是最初认识,逐步增加睡眠时间的增量1 s每当一个坐在不断认可。

休息可以减少功耗。然而,休息的程度可以增加同时确保稳定的HAR精度需要评估。因此,我们调查了哈尔的准确性与六个组合:〈100赫兹,128〉,〈50赫兹,128〉,〈100赫兹,256〉,〈50赫兹,256〉,〈100赫兹,512〉,〈50赫兹,512〉。这样做是为了计算最大睡眠时间的首选。在这个实验中,观察HAR精度为打破从0提高到60年代为每个组合。每个观测时间休息5到10分钟。我们一共订了732的观察(6×61×2)哈尔的准确性。图10图观察到哈尔准确性。

这个实验表明,哈尔精度成为不稳定的每次休息超过一定数量。圆形符号在图10显示打破之后,哈尔精度严重波动。这一点是限制为每个组合打破。可以计算的极限 在哪里是一个科幻小说,是一个WS,是一个常数的30年代在这个实验中确定。基于这个极限,我们可以保证高效的电力消耗和稳定精度在哈尔。

图11情节的六个组合测量功耗2 h预设最大睡眠时间:〈100赫兹,128〉,〈50赫兹,128〉,〈100赫兹,256〉,〈50赫兹,256〉,〈100赫兹,512〉,〈50赫兹,512〉。功耗增加更大的WS相对于一个小WS,和科幻的变化对能耗的影响小于更改WS。这是因为活动识别过程对于每个组合的数量是相等的,如果一个给定的时间内哈尔过程有一个睡眠时间,和一个大WS增加哈尔的计算成本。结果,样品有一个很大的WS消耗更多的权力。因此,使用一个小WS可以确保高能源效率。

如图10然而,对于大型WSs平均精度高于小WSs。因此,我们采用三个组合策略:坐〈100赫兹,512〉,〈100赫兹,256〉,〈100赫兹,128〉。显示在表4坐,我们定义了VARD组合配置策略。我们使用了重复计数坐在以便检查使用的类型是连续和改变从当前的策略组合下结合小WS如果计数进行基于睡眠时间超过一个阈值限制。发展进一步配置远离第一组合增加了能源效率和撼动了哈尔准确性。

5.3。人类活动的实时识别与变量活动识别时间的策略

VARD策略不仅可以有效地保证分类精度也提高能源效率,因为它不需要经常保持一个特定的科幻和WS HAR。图12代表我们的方法作为状态机图,描述的策略算法1。为了获得休息,我们的HAR过程分为感知状态和睡眠状态,如图12。

感应状态重复周期如下:收集、预处理、特征提取和分类。哈尔的分类器过程使用多种培训模式VARD配置,显示在表中3和4。这些模型是由离线SVM使用训练样本中讨论部分3.1。

通过分类识别活动DAT或坐,哈尔过程从传感状态转移到每种类型的状态。DAT,哈尔过程进入动态执行DAT策略。否则,坐在静态策略执行。坐在执行战略时,哈尔过程无条件转移到睡眠状态,需要休息。这个休息时间设置的重复计数坐,休息后返回到传感过程状态为了重新分类的人类活动。

当一个事件侦听器注册三轴加速度计的最初的空闲状态,哈尔过程转移到活动状态。活动状态由两个亚态机器:感应状态和睡眠状态。在活动状态,初始化过程科幻和WS和负载的分类模型的组合。它还设置一个阈值的重复数相同的活动。哈尔过程转移到感应状态后,启动加速度计。虽然这种转变被执行时,坐着重复的重复计数与零初始化数相同的活动。当所有的初始化完成,感应状态开始,人类活动可以认识。这部分相当于行(1)——(10)算法1。

DAT公认的活动时,哈尔过程转移到动态。在这种状态下,重复数相同的活动和最大睡眠时间初始化。动态,检查当前活动是否相当于以前的活动。如果他们是相同的,相同的重复计数活动增加。如果这个数超过阈值,那么当前的VARD配置更改到下一个组合,并初始化数。如果当前和以前的活动是不一样的,同一活动的重复计数初始化,和VARD配置改为第一DAT组合。动态,科幻和WS更新当前配置,并分类模型加载配置。结束时的动态,哈尔开始。这部分相当于线(11)-(22)算法1。

当一个公认的活动是一个坐,哈尔过程转移到一个静态的状态。如果之前的活动是DAT, VARD配置首先更改为一个坐。在静态,科幻小说和WS更新当前配置,并分类模型加载配置。如果重复计数的坐超过睡眠时间的最大值,则当前VARD配置更改到下一个坐在组合,并初始化数。然后,哈尔过程转移到睡眠状态,和加速度计停止。在这种状态下,设置睡眠时间利用SAT的重复计数,和哈尔过程需要在这段时间休息一下。休息后,坐的重复计数增加,哈尔过程转移到活动状态。这部分相当于线(23)-(38)算法1。

6。绩效评估和讨论

评估算法的性能,我们进行独立的实验对识别精度和功耗。一个应用程序使用我们的方法是安装一个Android服务,可以在后台运行。初始WS和科幻小说是设置为128和100赫兹,分别。阈值DAT设置为10。实验结果如下。

6.1。能源效率

5例被认为,每个跨度的12 h:(我)哈尔:没有HAR手机上运行的应用程序。(2)典型的支持向量机:科幻固定在100赫兹,WS固定在128年。(3)VARD DAT只有:所有活动都假定为DAT。(iv)VARD坐在只有:所有活动都假定为坐。(v)VARD日常活动:实验室日常活动包括走路,在楼梯,学习在一张桌子,和慢跑。

我们测量了电池水平通过BatteryManager Android API和驱动的网络接口和显示我们的移动设备在实验。图13我们的实验比较了电池排水时间序列。哈尔VARD显示缓慢而稳定的智能移动设备的功耗。与DAT VARD只占我们的最大功耗的方法。这种情况下明显降低能耗23%相比,典型的支持向量机的情况。VARD坐代表最低功耗和多消耗3%的能量比没有HAR。最后,VARD日常活动显示,能源消耗减少36%相比,典型的支持向量机。能源效率的增加相比,典型的支持向量机计算。VARD效率约为44.23%的增加与动态活动,约78.85%为VARD静态活动,约69.23%为VARD日常活动。

6.2。人类活动识别精度

混淆矩阵表5代表一个真正的HAR错误数据集(6×100个样本)的活动。混淆矩阵显示,5%的“行走”并被错误地归类为“提升楼梯”,相反的错误分类为6%。此外,8%的“坐”并被错误地归类为“站”,相反的错误分类为5%。实验结果表明,平均HAR精度为92.17%。如果活动“坐”和“站”是统一成一个放松活动,坐的HAR准确性将为99.5%。

7所示。结论

传统HAR使用内置的加速度计在智能移动设备仍有高功耗不仅由于传感器本身还附带的CPU计算开销。受这样的挑战,我们提出了一个新的节能方法实时哈尔在智能移动设备。实验结果表明,我们的方法可以达到超过64%的平均节能相比传统HAR(支持向量机)。我们还表明,平均HAR精度约为92%,六个不同的活动。此外,我们报道了科幻小说,WS,种改变电池功耗行为HAR。这份报告可能有助于领域的HAR。然而,如果睡眠状态持续很长时间,突然下降等人类活动无法正常识别。为了解决这个问题,未来的工作在提高识别的准确性突然活动变化是必要的。

相互竞争的利益

作者宣称没有利益冲突。

引用

1. h, h·霍、y徐和m . Gidlund“基于无线传感器网络的E-health系统实现和实验结果,“IEEE消费类电子产品卷,56号4、2288 - 2295年,2010页。视图:出版商的网站|谷歌学术搜索
2. m·艾伯特诉美国托莱多,m·夏皮罗和k .贺德”使用手机活动识别在帕金森患者中,“神经学前沿2012年,3卷,第158条。视图:出版商的网站|谷歌学术搜索
3. l . Tang周x, y, z . Yu d . Zhang和h .倪”肉类:一个多媒体系统对提高药物依从性在老年保健、”IEEE系统杂志,5卷,不。4、506 - 517年,2011页。视图:出版商的网站|谷歌学术搜索
4. a . Anjum和m·伊卜拉欣-,“活动识别使用智能手机的传感器,”《IEEE 10日消费者通讯和网络会议(CCNC 13)2013年1月,页914 - 919。视图:出版商的网站|谷歌学术搜索
5. z . j . Wang张,李,李,和r . s中,“一个增强的老人跌倒检测系统使用消费者家庭网络监控,“IEEE消费类电子产品,60卷,不。1,23-29,2014页。视图:出版商的网站|谷歌学术搜索
6. 硕士。李,a . m .汗,t·s·艾。金”,一个三轴基于重力感应的人类活动的实时个人生活日志系统可以识别和运动信息的一代,”个人和无处不在的计算,15卷,不。8,887 - 898年,2011页。视图:出版商的网站|谷歌学术搜索
7. 美国Abbate,前者m . Avvenuti f . Bonatesta g .可乐,p . Corsini和维琪,“检测系统分享服务下降,”普及和移动计算,8卷,不。6,883 - 899年,2012页。视图:出版商的网站|谷歌学术搜索
8. y他和李y,“身体活动识别利用智能手机的内置运动传感器,”国际期刊的分布式传感器网络文章ID 481580卷,2013年,10页,2013。视图:出版商的网站|谷歌学术搜索
9. j·w·洛克哈特,t . Pulickal和g·m·维斯“移动活动识别的应用,”学报》第14届国际会议上无处不在的计算(主要的12),页1054 - 1058,宾夕法尼亚州匹兹堡,美国,2012年9月。视图:谷歌学术搜索
10. j . h . Lu, z . Liu n . d . Lane t . Choudhury和a·t·坎贝尔,“拼图连续感应发动机对于手机应用程序,“学报》第八届ACM国际会议上嵌入式网络化传感器系统(SenSys 10)瑞士苏黎世,页71 - 84,,2010年11月。视图:出版商的网站|谷歌学术搜索
11. l . g . Raffa j . Lee Nachman博士,j .歌曲,“不要我慢下来:将能源效率连续手势识别,”第14届IEEE国际研讨会可穿戴计算机学报》(ISWC 10),页1 - 8,首尔,韩国,2010年10月。视图:出版商的网站|谷歌学术搜索
12. 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,”第七届ACM国际研讨会论文集在移动系统中,应用程序和服务(MobiSys ' 09),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
13. 问:诉签证官,m . t .黄平君,d . Choi“个性化移动活动识别系统使用K-medoids聚类算法”,国际期刊的分布式传感器网络文章ID 315841卷,2013年,12页,2013。视图:出版商的网站|谷歌学术搜索
14. 问:诉签证官,m . t .黄平君,d . Choi”自适应节能战略活动识别手机,”学报》第12届IEEE国际研讨会上信号处理和信息技术(ISSPIT 12),页95 - 100,胡志明市,越南,2012年12月。视图:出版商的网站|谷歌学术搜索
15. 诉Subbaraju z燕,d . Chakraborty a . Misra k .河口,“节能连续活动识别手机:一个activity-adaptive方法,”第16届国际研讨会可穿戴计算机学报》(ISWC 12),页17-24,纽卡斯尔,英国,2012年6月。视图:出版商的网站|谷歌学术搜索
16. 梁y、x, z . Yu, b .郭”节能运动识别在移动设备上普遍医疗保健相关的活动,“移动网络和应用程序,19卷,不。3、303 - 317年,2014页。视图:出版商的网站|谷歌学术搜索
17. l .包和s . s . Intille”活动识别从user-annotated加速度数据,”普适计算:第二次国际会议,2004年普及,林茨/维也纳,奥地利,2004年4月研讨会,。诉讼卷,3001在计算机科学的课堂讲稿施普林格,页1卷,柏林,德国,2004年。视图:出版商的网站|谷歌学术搜索
18. n . Kern b Schiele, a·施密特”识别上下文注释记录生活。”个人和无处不在的计算,11卷,不。4、251 - 263年,2007页。视图:出版商的网站|谷歌学术搜索
19. a . m .汗Y.-K。李,李郑胜耀,t·s·艾。金”,一个三轴通过augmented-signal基于重力感应的运动识别功能和层次识别器,”IEEE在生物医学信息技术,14卷,不。5,1166 - 1172年,2010页。视图:出版商的网站|谷歌学术搜索
20. i c Gyllensten和a·g·Bonomi”识别类型的体力活动与一个加速度计:评估laboratory-trained算法在日常生活中,“IEEE生物医学工程,卷。58岁的没有。9日,第2663 - 2656页,2011年。视图:出版商的网站|谷歌学术搜索
21. 黄永发。香港,j·拉莫斯和a·k·戴伊“个性化的活动识别系统semipopulation方法,”IEEE人机系统,46卷,不。1,第112 - 101页,2016。视图:出版商的网站|谷歌学术搜索
22. 诉Kononen j . Mantyjarvi h . Simila j . Parkka和m . erm”自动特征选择上下文识别在移动设备上,“普及和移动计算》第六卷,没有。2、181 - 197年,2010页。视图:出版商的网站|谷歌学术搜索
23. m·汗s i艾哈迈德·m·拉赫曼和r·o·史密斯,”特征提取方法对人类活动实时识别手机,”诉讼第三生活质量技术国际研讨会(isQoLT 11),多伦多,加拿大,2011。视图:谷歌学术搜索
24. j . r . Kwapisz通用Weiss, s . a .摩尔”活动识别使用手机加速计,”ACM SIGKDD探索通讯,12卷,不。2、74 - 82年,2011页。视图:出版商的网站|谷歌学术搜索
25. c . Torres-Huitzil和m . Nuno-Maganda”分享服务健壮的人类活动识别使用三轴加速度计”学报第六届IEEE拉丁美洲的电路与系统研讨会上(LASCAS 15)2015年2月,页1 - 4,。视图:出版商的网站|谷歌学术搜索
26. m·f·a·阿卜杜拉·本·a·f·p·Negara m . s .细哔叽,d . j . Choi和k . s . Muthu”在人类活动识别分类算法使用智能手机,”计算机和信息工程的国际期刊》第六卷,第84 - 77页,2012年。视图:谷歌学术搜索
27. o . d . Incel m .高丝,c . Ersoy”活动的审查和分类识别手机,“BioNanoScience,3卷,不。2、145 - 171年,2013页。视图:出版商的网站|谷歌学术搜索
28. j . s . Wang杨:陈,陈x,和张问:“人类活动识别与user-free加速计传感器网络”学报》国际会议和大脑神经网络(ICNNB ' 05),第1217 - 1212页,北京,中国,2005年10月。视图:出版商的网站|谷歌学术搜索
29. s . j . Preece j . y . Goulermas l . p . j .肯尼·d·霍华德,“比较分类的特征提取方法从加速度计数据的动态活动,“IEEE生物医学工程卷,56号3、871 - 879年,2009页。视图:出版商的网站|谷歌学术搜索
30. y . e . Ustev o . d . Incel, c . Ersoy“面向用户、设备和独立的人类活动识别手机:挑战和建议,”学报2013 ACM无处不在的计算会议(主要的13)苏黎世,页1427 - 1435年,瑞士,2013年9月。视图:出版商的网站|谷歌学术搜索
31. Z.-Y。他和L.-W。金,”活动从加速度数据识别使用AR模型表示和支持向量机,”学报》第七届国际会议在机器学习和控制论(ICMLC ' 08)昆明,页2245 - 2250年,中国,2008年7月。视图:出版商的网站|谷歌学术搜索
32. y雪和l .金”,一个自然的3 d acceleration-based活动数据集和基准评估”《IEEE国际会议系统,人与控制论(SMC的10),页4081 - 4085,伊斯坦布尔,土耳其,2010年10月。视图:出版商的网站|谷歌学术搜索
33. d·琼斯,“Decimation-in-time radix-2 FFT(说)”联系,15卷,p。2006年,2006年。视图:谷歌学术搜索
34. c . Chang和c·林,“LIBSVM:支持向量机的库,”ACM智能交易系统和技术,卷2,不。3,1-27,2011页。视图:出版商的网站|谷歌学术搜索
35. PowerTutor,“android移动平台的电力监控,”http://ziyang.eecs.umich.edu/projects/powertutor/。视图:谷歌学术搜索
36. c . v . c . Bouten k . t . m . Koekkoek m . Verduin r . Kodde和j·d·詹森”一个三轴加速度计和便携式数据处理单元的评估日常身体活动,“IEEE生物医学工程,44卷,不。3、136 - 147年,1997页。视图:出版商的网站|谷歌学术搜索

版权

版权©2016斤李和Jungsun金。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。