BTP:睡前预测算法通过智能手机屏幕状态

文摘

对于智能手机服务提供商,这是至关重要的客户的识别特征。认识到这些特点的过程通常称为用户配置文件,为业务决策提供了知识基础,使智能服务,带来独特的竞争力。作为一个用户配置文件的基本组件,睡前可以反映出生活方式,健康状况和职业的人。本文提出一种灵活的算法命名BTP(睡前预测),这是用于预测起床和睡前通过分析屏幕智能手机的状态。BTP首先收集用户的智能手机的屏幕状态日志数据进行预处理和一系列的辅助用户配置文件。然后,它检测和记录用户的起床和睡觉一天的搜索,结合大屏幕熄灭时间在过去的24小时。最后,BTP预测未来睡前到匹配当前屏幕状态序列与所有历史记录。通过应用BTP,大多数晚上和早上的基于场景的应用程序可以提供更周到的服务,而不是遵循固定的执行时间像闹钟。实际应用证明BTP实验可以有效地预测起床和睡觉没有应用复杂的机器学习算法或上传数据到服务器。

1。介绍

从时代的记录结大数据,数据分析技术在人类文明的历史发展。移动互联网浪潮,企业、个人和政府,甚至已经开始利用自己的便携设备尤其是智能手机业务。目前,移动互联网的用户数量已经超过了个人电脑。更好地为客户服务,这是非常重要的识别他们的偏好和特点。因为不同的生活背景下,互联网业务必须照顾的个性化需求。这种方法识别用户的特征通常被称为用户配置文件。

准确的用户行为预测可以帮助移动互联网服务供应商优化业务广泛的场景。例如,系统可能预加载应用程序所使用的最高概率的下一刻缩短用户的等待时间。起床和睡觉是两个关键事件通常表明人类时间表和智能服务的开始和结束。此外,睡眠模式可以反映一个人的健康状况1,2]。可以团结睡眠模式与其他特征,比如年龄、性别、和工作时间总结亚健康。此外,应用程序可以给定制的建议基于这些结论。“Pzizz”[3帮助人们入睡和睡眠周期”(4提供唤醒服务。这两个“摇篮曲”和闹钟应用程序严格依赖手动激活和详细的设置。解放是有意义的用户重复机械的操作,使服务更加自然和灵活。

智能手机,与多个传感器和芯片集成,成为一个主要用户数据采集平台由于与人紧密连接。许多研究人员已经研究和应用基于智能手机的使用记录建模用户配置文件。文献[5]应用监督学习方法来推断用户配置文件,如宗教、关系状况、语言、国家的利益,无论用户是小孩的父母,只通过观察一个快照已安装的应用程序。在200部智能手机进行的实验表明对于大多数特征模型精度可以达到90%。文献[6)致力于分析用户配置文件由采矿使用信息从多个一张应用,智能手机和服务器。文献[7)首先试图理解用户通过服务集标识符(SSID)信息。它还提出了一个数据清洗和信息浓缩框架允许用户偏好的理解基于日志收集wi - fi。文献[8)开发了一种方法来预测下一个应用程序提高主屏幕应用程序的使用经验。

本文旨在解决两个任务。第一个是探测起床和睡觉事件。第二个是预测接下来的起床和睡觉。

睡眠研究的问题提出的医疗机构。医院应用多导睡眠图(PSG) [9,10)诊断记录大脑波睡眠障碍,血氧水平,心率、呼吸,以及眼睛和腿部运动的参与者。然而,这种方法需要专业设备和睡眠环境,这是不可行的日常使用。

可穿戴设备是第二选择。设备可以戴在手腕上,用来记录运动和睡眠参数估计称为手腕长短(ACT) (11]。虽然一直怀疑长短确定后的有效性或从医学的角度来看,睡眠可穿戴设备精细识别算法仍然是适合日常使用由于其低成本和可移植性。文献[12)提出用手腕来估计睡眠时间长短处于初期阶段。文献[13]后来技术为基础开发出了一种监控系统,取代手工计算评分算法。和[14)进一步改进,使算法区分睡眠和觉醒在大约88%的分钟得分。近年来,集成电路(IC)的发展和物联网(物联网)使传感器的小型化。活动追踪Fitbit腕带和smartwatches像苹果的手表可以收集和分析手腕运动数据的用户。文献[15)使用一个人工神经网络分类基于夜间睡眠和清醒的手腕长短数据。文献[16)集成的无监督的机器学习算法和领域知识启发式检测睡眠或唤醒状态。

没有额外的设备,也有方法,利用智能手机作为监视和上传数据计算睡眠持续时间。文献[17)提出了一个模型命名BES推断睡眠时间通过分析智能手机使用模式。功能包括外部亮度,电话的使用、运动状态和背景噪音。这些属性的集合需要居民智能手机上监视应用程序。文献[18)设计和实现应用程序命名为“N”,翻面,可以推断出睡眠和睡眠质量,捕捉传感器数据包括声音振幅、加速度,光强度和屏幕,运行应用程序,电池和屏幕状态。本文验证其有效性,每天早上通知用户输入地面实况。

然而,有三个上面列出的这些方法的局限性:(1)尽管可穿戴设备近年来发展迅速,市场普及率仍然是有限的。2510万年全球出货量可穿戴设备,虽然有3.444亿部智能手机(来源:国际数据公司(IDC)。此外,不同的生产将适用不同类型的传感器,没有统一的API来开发软件。这个解决方案显然限制了智能服务的覆盖率。(2)大多数当前的方法要求传输数据web服务器和服务器集群上执行算法。这将涉及隐私保护问题。上传隐私数据没有用户的明确的许可将在许多国家引起严重的受法律惩罚。通用数据保护监管(GDPR)规范,数据传输要求用户同意在欧洲联盟。此外,声称各种大量数据收集会引起用户的反感。(3)智能手机是严格限制的计算资源。庞大而沉重的计算会导致快速失去动力,高和内核的内存占用。所有这些因素将负担设备的运行时间和导致减少的用户体验。此外,计算环境智能手机不支持机器学习尤其是深学习算法很好。

对于第二个任务,我们所知,此前的研究发现是罕见的。文献检索的关键词如“睡眠时间预测”总是集中在如何检测用户的后/睡眠状态或计算睡眠时间。在本文中,我们将它们作为解决任务,检测。由于智能服务根据用户配置文件和使用场景最近流行起来,缺乏研究预测起床和睡前是合理的,例如,谷歌意识发布API的I / O开发者大会上,201619]。意识API集中在矿业用户启用上下文感知服务的习惯。闹钟不会打扰你的睡眠,如果学会了昨晚你睡着的时候,下一个会议。BTP一步,试图预测未来用户的行动,是一个有价值的和新颖的工作。

我们工作的贡献如下:(1)一个轻量级的预测算法:BTP仅仅利用智能手机没有额外的可穿戴设备收集的数据。屏幕状态日志数据可以从智能手机操作系统检索,因为屏幕点亮和熄灭事件是标准化系统广播。此外,由于智能手机的普及,BTP可以覆盖最广泛的潜在用户。(2)避免收集数据的困境而不破坏隐私保护条例。BTP也不涉及web服务或云计算。换句话说,BTP发挥作用的数据处理器,而不是控制器。用户将不必担心个人信息披露的风险。(3)BTP消耗有限的资源在智能手机上。它不需要特殊的框架或额外的库。计算不会造成任何明显的延迟。通过我们的实验,BTP执行可接受的复杂性。

2。的想法

2.1。困难

检测和预测BTP可能被许多事件的过程。使用屏幕状态日志数据是不够的。在实际的项目和研究,我们遇到以下困难。

第一个是异常行为。经常有人居住,但回家很晚或偶尔外面待上一整夜。这种情况下应该确定异常数据分析理论。BTP包含模型基于模式的知识,所以这些异常值必须被发现和被遗弃。图1演示了一个典型的离群值。

第二个是意外中断。当人们睡觉时,来电,接收消息,并通知应用程序可能点亮屏幕,戒指,或振动,然后导致醒来。也有可能,人们陷入深度睡眠而忽略这些事件。但对于屏幕状态日志数据,继续屏幕熄灭时期是打断了奇怪的事件。屏幕上的意外中断情况如图2。

第三是关闭的智能手机。如果关闭智能手机,屏幕状态和辅助事件都不见了。有些人不喜欢飞行模式,他们在睡前关闭手机,启动的时候起床。而是一个更糟糕的情况是,用户可能会忘记充电电池,然后导致智能手机自动关机。失去日志数据是BTP最大的威胁和风险。图3显示屏幕的关闭情况。

与检测上面提到的三个困难,第四是关于预测。因为不同的生活经历,规定起床和睡觉的人定制。

大多数人是在办公室或工厂工作,也就是说,一个稳定的目标位置。他们显示一个可识别的起床时间和睡觉时间分布在工作日期间。但是他们中许多人在周末自由泳。别人不从星期一工作到星期五。因为他们的职业特点,他们表现出奇怪的分布,如每两天或三天的上班工作,一天的休息。导致与简单的时间序列模型预测误差大或试图描述这些模式的工作日和周末框架。图4工作日和周末的显示模式。

2.2。解决方案

除了困难,我们可以利用两个优点来修复和改善我们的模型。一个是闹钟事件。对大多数人来说,他们在工作日上班。闹钟响的时刻也起床。这个规则有很高的信心,我们可以检查确认加速器激活事件。图5显示屏幕状态当闹钟事件发生。

另一种是加速器激活事件。当加速器被激活,我们知道智能手机和移动用户唤醒。图6显示屏幕状态当加速器激活。

我们克服和减少上述四个困难的影响由以下解决方案。

(1)不正常的行为。BTP认为,人们在家里睡觉。它放弃了序列不在家,以避免异常行为的影响。图7显示屏幕状态后放弃异常行为。

(2)意外中断。睡眠障碍是解决通过合并相邻的屏幕熄灭状态。这里我们定义中央睡眠点,3点,沉睡的时间。当人们被中断唤醒事件中央睡眠点附近,他们可能仍睡在几分钟。但是当他们不太困,比如5点,人们可以直接起床。图8显示了连接两个adjacant时期。

(3)关闭的智能手机。定期为用户开关和合理,BTP作为电源和关闭事件后时间和睡觉时间。但是我们对待混合制关机事件作为离群值和放弃。图9显示屏幕状态当停电事件发生。

(4人与人之间)定制的规则。我们过去认为,用户行为预测应该基于工作日和周末,但它是被定制的工作日规定,导致更大的错误。然后我们改变了我们的战略和匹配当前的屏幕状态序列与其他序列的每个过去的一天。最相似的序列表示相同的行为模式。因为醒来和睡觉是开始和结束一整天的活动,它们自然会反映在这类似的模式系统。图10显示了两个相似的行为模式。

总之,我们有效地改善屏幕状态序列的准确性和可用性检测和预测起床时间和睡觉通过引入一系列的辅助活动。BTP的主要过程如图11。BTP首先收集用户的屏幕状态日志数据和其他辅助活动,然后搜索并连接主屏幕熄灭时期日常检测结果。然后预测是由匹配当前屏幕状态序列与再这样的历史序列的邻居。

3所示。方法

3.1。数据结构

首先,我们定义的数据结构。日志数据包含的信息屏幕状态和辅助因素。一个事件包括日期、时刻、和事件。这是一个JSON字符串的例子。 日期 : 2018-09-01 , 时刻 : 22:39:02 , 事件 : 儿子 。

不同的事件由事件代码是有区别的。这里的代码的儿子代表屏幕点亮。所有事件代码和相应的含义如表所示1。

任务一,发现起床和睡前,我们输入日志数据集与所有类型的事件从一个智能手机在很多天。这是它的一部分。 … 日期 : 2018-09-01 , 时刻 : 22:39:02 , 事件 : 儿子 ,/ /屏幕光; 日期 : 2018-09-01 , 时刻 : 22:45:02 , 事件 : 索夫 ,/ /小石子扑灭; 日期 : 2018-09-01 , 时刻 : 22:49:50 , 事件 : AA ,/ /找出电话; 日期 : 2018-09-01 , 时刻 : 22:49:55 , 事件 : 儿子 ,/ /解锁手机; 日期 : 2018-09-01 , 时刻 : 22:50:01 , 事件 : 索夫 ,/ /屏幕熄灭; 日期 : 2018-09-01 , 时刻 : 22:50:02 , 事件 : POFF/ /电话关机。… 。

检测的输出如下: … 日期 : 2018-09-01 , 睡觉前 : 22:39:02 , 起床 : 6:29:59 , 日期 : 2018-09-02 , 睡觉前 : 23:12:45 , 起床 : 6:40:04 , 日期 : 2018-09-03 , 睡觉前 : 22:59:12 , 起床 : 6:30:09 ,… 。

人类的睡眠模式的一般遵循周期。当讨论一天的时候,我们必须定义它的开始。我们两天之间的边界点12点而不是0:00。然后我们避免打断继续睡,也是一个持续屏幕熄灭时期在我们的模型中。

两个任务,预测时间和睡觉时间,我们也输入日志数据集。的输出预测如下,如果当前时间是“2018-09-10 18:00:00”, 日期 : 2018-09-10 , 睡觉前 : 22:40:15 , 起床 : 6:30:00 。

起床在这里所指的是“2018-09-11 6:30:30”。

3.2。数据收集和预处理

跑步之前检测和预测过程中,我们必须将日志数据转换成几个二进制序列。考虑到一天有1440分钟,我们分开不同的事件分成六个1440 -序列长度。屏幕状态,0代表屏幕熄灭,1代表屏幕点亮。序列如表所示2。对于屏幕地位和权力地位,我们采样的第一第二的地位一分钟。然而对于其他序列,如果有任何事件发生在那一刻,状态1。

图12演示了一个志愿者的时间表。

3.3。方法过程

BTP通常有两个主要阶段,检测和预测。图13显示了floatchart检测。

在检测部分,BTP遵循四个步骤每天被探测到。(1)过滤掉的屏幕熄灭状态当用户不通过搜索家状态序列。(2)搜索屏幕状态序列,找出继续屏幕熄灭时间持续超过30分钟,然后在时间排序。(3)选择步骤2为每个时期,BTP用途(1)来决定是否与其相邻时期这一时期可以团结;也就是说,如果它们之间时间间隔短于 ,我们将结合的两个相邻序列。在公式2中,是一个阈值,确定是否加入两个序列,是用来调整绝对值,从12分钟到中间,从12分钟到人最深的睡眠的时间,然后呢是一个偏移值。 (4)调整结果与序列中断状态,闹钟状态、电源状态和运动状态。

表3显示了检测的伪代码。

起床后和睡前,如图14,预测部分有以下步骤:(1)今天收集屏幕状态序列(0:00至当前时间)。(2)计算今天的屏幕序列相似性和每个历史序列使用(2)。在这里,是屏幕状态序列0:00至当前时间,序列比较,分钟0:00至当前时间。 (3)选择根据检测结果最相似的序列和使用(3)产生的结果。是预测结果,是序列的最相似的序列,和是以前的检测结果。

表4显示了预测的伪代码。

4所示。实验结果

4.1。实验背景

检测的测量标准是平均绝对误差(MAE)所示(4)。在这里,多的人参与这个实验,是真正价值,是要测试的检测方法的价值。 测量标准预测均方根误差,所示(5)。在这里是样品的数量。代表真实价值,预测的价值。 我们的数据集包含30个志愿者的数据。他们安装了相同的数据采集应用程序我们分布在他们的智能手机。应用程序有四个任务:收集日志数据,检测起床和睡前,将原始数据和结果上传到服务器,获取反馈。这里我们上传数据调试与志愿者并签署协议。客户端应用程序驻留在android和收集系统日夜的日志数据。在一天结束的时候,通常在0:00,开始我们的检测方法来检测当用户醒来和睡觉。它也经常显示问卷并返回到服务器的反馈。这些问卷只有一个简单的问题:当你昨晚睡着和醒来今天好吗?仔细,确保志愿者回答问题,一些反馈的预测价值总是困惑过滤后检查他们的原始日志数据。在完成13天的连续测试中,39岁的志愿者完成实验。 But nine of them were filtered out for careless answers. During the experiment, we ran the phase one of BTP to detect wake time and bedtime and ran BES, proposed by Chen et.al. [17),检测睡眠时间。然后,我们跑BTP的第二阶段,移动平均线(MA) (20.],指数平滑法(ES) [20.)来预测未来的起床和睡前左边30样品13天,然后计算RMSE记录。

所有实验进行志愿者的华为P10 EMUI 8.0智能手机(安卓8.0),麒麟960 (4×2.4 ghz + 4×1.8 ghz), 4 gb内存,64 gb罗。我们使用Android工作室与Android SDK 7.0和Java 1.8 2.3.3开发数据采集应用程序,定期收集和上传数据到服务器。服务器接收数据运行CentOS 6.5环境加上英特尔(R)至强(R)×2.5 ghz CPU 4, 64 gb内存,1200 gb HD@15000rpm。比较BTP和其他算法,他们都想站在一个工作站上执行P300 Windows10 64位,英特尔i7@4×3.6 ghz, 16 gb RAM@1600MHz, SATA3硬盘2 tb@7200rpm。

4.2。检测的结果

4.2.1。准备比较

喜神贝斯算法实施的美是48.19而不是42.5在陈的论文,因为不同的数据集。比较结果如表所示5。BTP低得多比喜神贝斯美在同一实际数据集。

表6进一步提出了RMSE,最大绝对误差( ),最小绝对误差( ),和梅BTP显示其可靠性检测的一部分。因为经常在工作日闹钟响了,起床比睡觉更准确。

4.2.2。参数的讨论

有三个参数Eq。1), , ,和 。我们使用控制变量法进行参数调优用美作为进化的量度。表7表明,最好的是900左右。这意味着三点睡觉是人民的焦点。

在表中8和9,我们发现最好的选择 和 。这两个参数共同决定我们应该加入两个相邻的屏幕熄灭。太小的长度将无关紧要的时间和长度太大也会使睡眠时间分裂。

4.2.3。时间复杂度

从表10之后,我们证明BTP和喜神贝斯都是一个线性复杂度。他们快所以我们重复记录费时。BTP不需要回归BES但必须承受更重的I / O消费。

4.3。预测的结果

4.3.1。比较

我们比较BTP滑动平均(MA)和指数平滑法(ES)。马和ES是两个典型的时间序列预测算法。结果如表所示11。BTP优于马和ES在所有指标因为起床和睡觉有周期性,周期因人而异。

4.3.2。参数的讨论

我们运用控制变量的方法来识别不同参数带来的影响在(2),在(3)。表12说明,incensement ,结果是更好的。它证明了大会学习利用鲁棒性。但是我们只有13天的记录;是有限的。

表13相比表明,精度随时间序列。在这里, ;一天罢工之间的平衡的75%长度的准确性和可用性。

代表历史预测天我们使用的数量。如果我们有更多的历史样本,该模型将更加强劲。在这里 可能满足一个过度拟合条件。实验用不同的结果如表所示14。

4.3.3。时间复杂度

的时间复杂性BTP、马和ES 。在实用、马和ES会执行得更快,因为数据的规模相当小。BTP使用历史屏幕状态序列相似的模式匹配。每个预测需要遍历 ,和代表的数量相比。然而,马和ES只使用历史起床和睡觉。这种差异可以忽略不计当运行在智能手机,而不是集中在服务器计算。

4.4。调查

收集反馈的志愿者,我们为他们设计一个调查。调查问卷只有两个问题:(1)你睡着了在昨晚(“发现睡觉”)?(一)完全或偏差15分钟以下(得到分数1)(b)偏差在15-30mins(0.5得到的分数)(c)偏差是超过30分钟(得到得分0)(2)你起床在今天早上(“后发现时间”)?(一)完全或偏差15分钟以下(得到分数1)(b)偏差在15-30mins(0.5得到的分数)(c)偏差是超过30分钟(得到得分0)

我们的调查结果如表所示15。很美相关的算法。

5。结论

本文提出了一个名为BTP的就寝时间预测算法。BTP的目标是精确地检测和预测起床和睡觉一个人挖掘的智能手机屏幕状态日志。BTP的实现独立于任何长短或云基础设施,这使得它适合受欢迎的应用程序,满足隐私保护。30人的屏幕上13天实验日志数据表明BTP可以有效地完成检测和预测任务不引入额外的设备或上传数据。我们也比较喜神贝斯,另一个睡眠检测算法,BTP超过BES在精度和耗时。此外,我们的工作表明,BTP可以作为重要的环境敏感组件用于提高智能手机的智能服务。

数据可用性

本文实验涉及到实际的数据集。实际数据集属于某些企业和仅限于科学研究和受到保密协议的保护。但研究人员可以开发自己的应用程序来记录人们的行为来测试他们的工作。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的国际科技合作项目在国家重点研发项目(NKP)没有。2016 yfe0204500,中国国家自然科学基金资助下不。61671081也没有。61720106007,北京自然科学基金批准号下4172042,和基础研究基金为中央大学、北京邮电大学2017年教育和教学改革项目。2017 jy31。

引用

1. f·p·卡普西奥,f·m·塔戈特,不可开交。Kandala et al .,“荟萃分析短睡眠时间和肥胖的儿童和成人,“睡眠没有,卷。31日。5,619 - 626年,2008页。视图:出版商的网站|谷歌学术搜索
2. m . Kuppermann d . p .吕贝克,p . d . Mazonson et al .,“睡眠问题及其相关工作的人口,”普通内科医学杂志》上,10卷,不。1,25-32,1995页。视图:出版商的网站|谷歌学术搜索
3. https://pzizz.com/。
4. https://www.sleepcycle.com/。
5. s . Seneviratne a . Seneviratne p Mohapatra, a . Mahanti”预测用户从一个快照特征的应用安装在智能手机上,“ACM SIGMOBILE移动计算和通信评审,18卷,不。2、1 - 8,2014页。视图:出版商的网站|谷歌学术搜索
6. a·安德森和r . Karlsen”,用户通过NFC交互分析:矿业一张纸条从移动设备和后端系统用户信息,”学报》第14届ACM国际研讨会移动性管理、无线接入、MobiWac 2016马耳他,页173 - 176年,2016年11月。视图:谷歌学术搜索
7. 陈y, y, k .东和A·l·陈,k . Wu”允许用户偏好分析的框架通过wi - fi日志,”学报2016年IEEE第32数据工程国际会议(ICDE)赫尔辛基,页1550 - 1551年,芬兰,2016年5月。视图:出版商的网站|谷歌学术搜索
8. r . Baeza-Yates f . Silvestri、江d和b·哈里森”预测下一个应用程序,您将使用,”学报》第八届ACM国际会议在网络搜索和数据挖掘,WSDM 2015,页285 - 294,中国,2015年2月。视图:谷歌学术搜索
9. c . a . Kushida m . r . Littner t morgenthal et al .,“实践参数多导睡眠图和相关程序的迹象:2005年一个更新,“睡眠,28卷,不。4、499 - 521年,2005页。视图:出版商的网站|谷歌学术搜索
10. n·j·道格拉斯、美国托马斯和m . a . 1月“多导睡眠描记术的临床价值,”《柳叶刀》,卷339,不。8789年,第350 - 347页,1992年。视图:出版商的网站|谷歌学术搜索
11. c·p·Pollak w·w·泰伦h . Nagaraja和r . Dzwonczyk”手腕活动检测仪多少准确确定睡眠和清醒的状态?”睡眠,24卷,不。8,957 - 965年,2001页。视图:出版商的网站|谷歌学术搜索
12. d . j . Mullaney d·f·克里普克,s . Messin”Wrist-actigraphic估计睡眠时间。”睡眠,3卷,不。1,第92 - 83页,1980。视图:出版商的网站|谷歌学术搜索
13. j·b·韦伯斯特d·f·克里普克s Messin d . j . Mullaney和g . Wyborney“动态的基于活动的睡眠监测系统使用,“睡眠,5卷,不。4、389 - 399年,1982页。视图:出版商的网站|谷歌学术搜索
14. r·j·科尔d·f·克里普克w·格伦·d·j . Mullaney j . c .吉林,“自动睡眠/唤醒识别从手腕活动。”睡眠,15卷,不。5,461 - 469年,1992页。视图:出版商的网站|谷歌学术搜索
15. g·奥雷利亚纳,c . m .举行,p . A .这几年会et al .,“睡眠/清醒平衡基于actigraphic青少年的数据分类方法,”学报2014年第36届IEEE工程国际会议在医学和生物学的社会,EMBC 2014美国,页4188 - 4191年,2014年8月。视图:谷歌学术搜索
16. a . domingue t Paiva, j . m . Sanches”在夜间睡眠和清醒状态检测活动检测仪基于运动信息,“IEEE生物医学工程,卷61,不。2、426 - 434年,2014页。视图:出版商的网站|谷歌学术搜索
17. h . g .杨j . Chen Tenhunen, l .郑”智能电极设计为长期在家心电图监测:使用FPAA和FPGA原型设计,”《3 d国际医疗ICST普适计算技术会议,伦敦,英国,2009年8月。视图:出版商的网站|谷歌学术搜索
18. j。分钟,a . Doryab j .威斯s Amini j·齐默尔曼和j . i .香港“扔“N”:智能手机睡眠和睡眠质量检测器,”第32届ACM研讨会论文集在计算系统的人为因素,2014年气加拿大,页477 - 486年,2014年5月。视图:谷歌学术搜索
19. https://developers.google.cn/awareness/。
20. 诉Kotu和b . Deshpande预测分析和数据挖掘,2015年。

版权

版权©2018库恩妞妞等。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。