Nghiên cứu xây dựng phần mềm nhận dạng hoạt động người sử dụng điện thoại trên hệ điều hành android

- KIỀU THẾ HƢNG NGHIÊN CỨU XÂY DỰNG PHẦN MỀM NHẬN DẠNG HOẠT ĐỘNG NGƢỜI SỬ DỤNG ĐIỆN THOẠI TRÊN HỆ ĐIỀU HÀNH ANDROID LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT VIỄN THÔNG HÀ NỘI – NĂM 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI.
- KIỀU THẾ HƢNG NGHIÊN CỨU XÂY DỰNG PHẦN MỀM NHẬN DẠNG HOẠT ĐỘNG NGƢỜI SỬ DỤNG ĐIỆN THOẠI TRÊN HỆ ĐIỀU HÀNH ANDROID LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT VIỄN THÔNG NGƢỜI HƢỚNG DẪN KHOA HỌC: PGS.TS.
- 39 Hình 3.10.
- AR Activity recognition.
- Xây dựng mạng nơron.
- Nhận diện hành động.
- Chƣơng 1: Tổng quan về giám sát hoạt động và phƣơng pháp nhận dạng hành vi.
- Chƣơng 2: Giới thiệu mạng Nơron tích chập và các giải thuật liên quan  Chƣơng 3: Thực nghiệm và đánh giá 3 CHƢƠNG 1 TỔNG QUAN VỀ GIÁM SÁT HOẠT ĐỘNG VÀ PHƢƠNG PHÁP NHẬN DẠNG HÀNH VI 1.1.
- Tổng quan về giám sát hoạt động.
- thành phc cth cung cp thông tin v s chuyng ca ch tht cm bin gia tc 3 chi c theo trc x, y, z so vi màn hình cn thoc mô t i.
- Tóm tắt các nghiên cứu trước đây về nhận dạng hoạt động sử dụng cảm biến gia tốc.
- Cột tập dữ liệu quy định cụ thể dữ liệu được thu thập trong phòng thí nghiệm (L), tự nhiên (N), hoặc bán tự nhiên (S) [22].
- Công nghệ nhận dạng hành vi 1.4.1.
- Phân lớp dữ liệu.
- Phân lớp nhận dạng hành vi.
- chính xác, ma trn nhm ln Thu thập dữ liệu: Tp d liu công khai Tiền xử lý.
- Mô hình nhận dạng hành vi từ dữ liệu cảm biến trên điện thoại Android [22].
- 15 CHƢƠNG 2 GIỚI THIỆU MẠNG NƠRON TÍCH CHẬP VÀ CÁC GIẢI THUẬT LIÊN QUAN 2.1.
- Mạng Nơron 2.1.1.
- Giới thiệu về mạng Nơron.
- 17  Hàm b chn trên và chi.
- Trong thc t ng chn các hàm sau: Hàm Sigmoid.
- Mạng nơron nhiều tầng truyền thẳng MLP.
- 18  u vào là các vector trong không gian p chiu ra là các vector.
- giá tr u vào th i.
- giá tr u ra th k.
- vector trng s ca kt ni t node i ca lp vào ti node j ca lp n.
- Output: Các vector trng s sau khi hc.
- Thuật toán: Bước 1: Khi to các trng s.
- vi các giá tr ngu nhiên.
- Cp nht các trng s t tng n ti tng ra.
- Cp nht trng s t tng vào ti tng n.
- Lp lc 2 cho ti khi thu kin kt thúc  c 3.
- Kt qu thu c b trng s chun.
- Mạng Nơron tích chập 2.3.1.
- Mạng nơron tích chập [19.
- Chi tiết các lớp trong mô hình 2.3.2.1 Lớp tích chập - Convolutional.
- Lớp phân loại - Softmax Chúng ta cn mt mô hình xác sut sao cho vi mu vào x.
- có th thu kin này, chúng ta cn nhìn vào mi giá tr.
- tính toán giá tr ca.
- Ngoài u kin.
- l ng bng 1, chúng ta s thêm mu kirt t nhiên n.
- x càng ln thì xác sut d li u kin cui này ch ra rng chúng ta cn mng bin.
- có th nhn giá tr c t s n có th chc chn bin.
- thành mt giá tr ng bin là hàm exp.
- bng 1 có th m bo nu.
- tha mãn tt c u ki ng bng 1, gi c th t ca.
- nào tuyi bng 0 hoc tuyi bng 1, mc dù chúng có th rt gn 0 hoc 1 khi.
- Lúc này ta có th gi s rng: P.
- Mô hình Softmax Regression dưới dạng mạng nơron [23.
- Gradient Descent.
- Gradient descent là t v trí hin t u gim co hàm bc nhn khi không th gic n.
- ng tp hun luyn là i.i.d (independently and identically distributed) nên ti mc ta có th cp nht tham s vi mi mu trong tp hun luyn [26.
- Giới thiệu phƣơng pháp tạo dữ liệu huấn luyện nhận dạng hành động ngƣời dùng của tập Actitracker.
- Thông tin về bộ dữ liệu.
- Tỉ lệ các nhãn được gán trong tập dữ liệu Actitracker [3.
- Tiền xử lý dữ liệu.
- Mô hình mạng nhận dạng hoạt động người sử dụng điện thoại [3].
- Bảng dữ liệu hoạt động người dùng xây dựng trên tập dữ liệu Actitracker [3.
- Dữ liệu được gắn nhãn “ngồi” sau khi chuẩn hoá [3].
- Dữ liệu được gắn nhãn “đứng” sau khi chuẩn hoá [3].
- Dữ liệu được gắn nhãn “đi bộ” sau khi chuẩn hoá [3].
- Dữ liệu được gắn nhãn “xuống cầu thang” sau khi chuẩn hoá [3].
- Dữ liệu được gắn nhãn “lên cầu thang” sau khi chuẩn hoá [3].
- t(s m/𝑠) Cm bin gia tc z (m/𝑠) Cm bin gia tc x (m/𝑠 t(s t(s) 40 Hình 3.10.
- Dữ liệu được gắn nhãn “chạy bộ” sau khi chuẩn hoá [3.
- Mẫu dữ liệu được gắn nhãn hoạt động người dùng [3].
- Dữ liệu huấn luyện sau khi đi qua lớp Max pooling [3].
- Kết quả huấn luyện mạng nơron [3].
- Xây dựng phần mềm nhận dạng hoạt động ngƣời sử dụng điện thoại trên hệ điều hành Android.
- Hình 3.11.
- Giao diện nhận dạng hoạt động người dùng trên điện thoại Android.
- Nhãn hành động ngƣời dùng Xác suất Đứng 0% Ngồi 0% Đi bộ 0% Chạy bộ 0% Lên cầu thang 7% Xuống cầu thang 93% Bảng 3.5.
- Nhận dạng hành động “xuống cầu thang” 47 Nhãn hành động ngƣời dùng Xác suất Đứng 0% Ngồi 0% Đi bộ 0% Chạy bộ 0% Lên cầu thang 96% Xuống cầu thang 4% Bảng 3.6.
- Nhận dạng hành động “lên cầu thang” Nhãn hành động ngƣời dùng Xác suất Đứng 1% Ngồi 1% Đi bộ 1% Chạy bộ 90% Lên cầu thang 3% Xuống cầu thang 4% Bảng 3.7.
- Nhận dạng hành động “chạy bộ” 48 Nhãn hành động ngƣời dùng Xác suất Đứng 1% Ngồi 1% Đi bộ 81% Chạy bộ 14% Lên cầu thang 2% Xuống cầu thang 1% Bảng 3.8.
- Nhận dạng hành động “đi bộ” Nhãn hành động ngƣời dùng Xác suất Đứng 8% Ngồi 84% Đi bộ 4% Chạy bộ 2% Lên cầu thang 1% Xuống cầu thang 1% Bảng 3.9.
- Nhận dạng hành động “ngồi” 49 Nhãn hành động ngƣời dùng Xác suất Đứng 84% Ngồi 9% Đi bộ 4% Chạy bộ 1% Lên cầu thang 1% Xuống cầu thang 1% Bảng 3.10.
- Nhận dạng hành động “đứng” 3.8.
- Activity Recognition using Cell Phone Accelerometers, Proceedings of the Fourth International Workshop on Knowledge Discovery from Sensor Data (at KDD-10), WashingtonDC 2.
- Timko, Actitracker: A Smartphone-based Activity Recognition System for Improving Health and Well-Being, (Working Paper.) (17-19 Oct.
- Aaqib Saeed Implementing a CNN for Human Activity Recognition in Tensorflow http://aqibsaeed.github.io human-activity-recognition-cnn/ 4.
- Aaqib Saeed: Deploying Tensorflow model on Andorid device for Human Activity Recognition - http://aqibsaeed.github.io deploying-tensorflow-model-andorid-device-human-activity-recognition/ 5.
- Nghiên cứu về mạng neural tích chập và ứng dụng cho bài toán nhận dạng biển số xe.
- The Benefits of Personalized Smartphone-Based Activity Recognition Models, In Proc.
- Activity Recognition using Cell Phone Accelerometers, ACM SIGKDD Explorations WashingtonDC.
- Wu Shaoen  Advisor ball state university muncie, Indiana Jully 2017, Human activity recognition based on accelerometer and gyroscope, for the degree master in computer science by

Xem thử không khả dụng, vui lòng xem tại trang nguồn
hoặc xem Tóm tắt