Hardware and Software SetupIntroduc

Hardware and Software Setup

Introduction

When we watch a person, it is easy for us to tell what activity they are performing even if we have never seen them in the past. This is because our brains are already trained to understand human activities. When viewing the activity, the brain compares it to thousands of activities it has memorized and pops out the one that matches. Similarly, a computer (or phone) can identify the activity I am performing based on activities I have trained it to identify.

On a computer, a machine learning algorithm can be used to “learn” human activities and detect the activity being performed for the new data that is collected. A detection task such as this, which involves categorizing data into separate “classes” is called classification. Another example of a classification task would be assigning a diagnosis to a patient as described by presence of certain symptoms.

Applying a classification algorithm to this task involves two steps: training and detection. The training step builds a model which maps training data to certain categories. The detection step maps new data to a category.

In my application, I used the acceleration sensor (accelerometer) in my Android phone to help identify the activity that I am performing. I chose the K-Nearest Neighbor (KNN) classifier. This is a suitable algorithm for my application because it can detect the activity very quickly and has good accuracy while working with low dimensional data (a small set of features). It detects the category to which a new data point belongs to by taking a majority vote of its closest K neighbors in the training data set.

The process of detecting activities was performed in three steps:
1) Data Collection: I collected the 3-dimensional acceleration data from the accelerometer on my Android phone.
2) Feature Extraction: I identified and extracted distinct features in the accelerometer data for each activity that I wanted to detect.
3) Activity Classification: I used the features extracted for the various activities to train the classifier. The classifier was then used on new accelerometer data to identify the activity being performed.

Kết quả (Việt) 2:

Phần cứng và phần mềm cài đặt

Giới thiệu

Khi chúng ta xem một người, nó rất dễ dàng để chúng tôi nói với hoạt động những gì họ đang thực hiện ngay cả khi chúng tôi đã không bao giờ nhìn thấy họ trong quá khứ. Điều này là bởi vì bộ não của chúng tôi đã được đào tạo để hiểu các hoạt động của con người. Khi xem các hoạt động, não so sánh nó với hàng ngàn các hoạt động đã ghi nhớ và bật ra một cái khớp. Tương tự như vậy, một máy tính (hoặc điện thoại) có thể xác định các hoạt động tôi thực hiện dựa trên các hoạt động tôi đã được đào tạo nó để xác định.

Trên một máy tính, một thuật toán máy học có thể được sử dụng để "học" các hoạt động của con người và phát hiện hoạt động được thực hiện cho các dữ liệu mới được thu thập. Một nhiệm vụ phát hiện như thế này, trong đó bao gồm dữ liệu phân loại thành "lớp học" riêng biệt được gọi là phân loại. . Một ví dụ về một công việc phân loại này sẽ được giao cho một chẩn đoán cho bệnh nhân như được mô tả bởi sự hiện diện của các triệu chứng nhất định

áp dụng một thuật toán phân loại nhiệm vụ này liên quan đến hai bước sau: đào tạo và phát hiện. Các bước đào tạo xây dựng một mô hình mà các bản đồ dữ liệu huấn luyện cho một số loại. Bước phát hiện ánh xạ dữ liệu mới vào một danh mục.

Trong ứng dụng của tôi, tôi đã sử dụng cảm biến gia tốc (accelerometer) trong điện thoại Android của tôi để giúp xác định các hoạt động mà tôi đang thực hiện. Tôi chọn Neighbor (KNN) phân loại K-gần. Đây là một thuật toán phù hợp cho các ứng dụng của tôi, vì nó có thể phát hiện hoạt động rất nhanh và có độ chính xác tốt trong khi làm việc với các dữ liệu thấp chiều (một tập nhỏ các tính năng). Nó phát hiện danh mục cho một điểm dữ liệu mới thuộc về bằng cách lấy một đa số phiếu của các nước láng giềng K gần nhất của nó trong tập dữ liệu huấn luyện.

Quá trình hoạt động phát hiện được thực hiện trong ba bước sau:
1) Thu thập dữ liệu: Tôi thu thập 3 chiều dữ liệu tốc từ gia tốc trên điện thoại Android của mình.
2) tính năng Extraction: tôi xác định và trích xuất các tính năng riêng biệt trong các dữ liệu tốc cho từng hoạt động mà tôi muốn phát hiện.
3) Phân loại hoạt động: tôi sử dụng các tính năng trích xuất cho các hoạt động khác nhau để đào tạo phân loại. Bộ phân loại sau đó đã được sử dụng trên dữ liệu gia tốc mới để xác định hoạt động được thực hiện.