Aktiviteetin tunnistus mobiililaitteiden kiihtyvyysantureilla
Koskimäki, Sami Matti (2015)
Koskimäki, Sami Matti
2015
Automaatiotekniikan koulutusohjelma
Teknisten tieteiden tiedekunta - Faculty of Engineering Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2015-06-03
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tty-201505071261
https://urn.fi/URN:NBN:fi:tty-201505071261
Tiivistelmä
Tässä työssä luodaan järjestelmä, joka tunnistaa mobiililaitteen käyttäjän aktiviteetin kiihtyvyysanturin avulla. Tunnistettavat aktiviteetit ovat kävely, juoksu, pyöräily, passiivisuus ja muu liikunta. Tavoitteena on luoda järjestelmä, joka toimii huomaamattomasti mobiililaitteessa ja kerää jatkuvasti tietoa käyttäjän arkipäiväisestä aktiivisuudesta.
Koska järjestelmän on tarkoitus toimia taustalla ilman, että käyttäjä erikseen ilmoittaa aktiviteetin alkaneen, on yksi suurimmista haasteista erottaa muut jokapäiväiset liikkeet ja toiminnot kuten mobiililaitteen normaali käyttö tunnistettavista aktiviteeteista. Työssä kiinnitetään erityistä huomiota myös järjestelmän resurssivaatimuksiin mobiililaitteen akkukulutuksen minimoimiseksi.
Toteutettu järjestelmä käsittelee mobiililaitteen tarjoamaa kolmiulotteista kiihtyvyysaikasarjaa lyhyissä ikkunoissa. Ikkunasta irrotetaan joukko piirteitä, joiden avulla tilastollinen luokitin tekee alustavan luokituksen aktiviteetista. Tätä tulosta jalostetaan jälkikäsittelyalgoritmilla, joka ottaa huomioon useamman peräkkäisen luokituksen. Luokittimen koulutusdatan keräämiseen kiinnitettiin erityistä huomiota.
Toteutettu järjestelmä asettaa kiihtyvyyssensorille erittäin vähän vaatimuksia. Järjestelmän vaatima 15 Hz:n näytteenottotaajuus on saatavilla lähes jokaisessa markkinoilla olevassa kiihtyvyysanturissa. Myös vaadittu ±2 g arvoalue on tarpeeksi pieni useimmille kiihtyvyysantureille. Toteutettu järjestelmä asettaa erittäin vähän vaatimuksia myös sensorin asennolle ja sijainnille käyttäjän vartalossa. Mobiililaitteen asennolla ei ole merkitystä, ja sen voi sijoittaa taskujen lisäksi jopa reppuun tai käsilaukkuun. Järjestelmän vaikutus akun kulutukseen on pieni. Lisäksi järjestelmä toteutettiin taustaprosessina, joka ei häiritse laitteen normaalia käyttöä millään tavalla.
Järjestelmä tunnistaa passiivisuuden, kävelyn ja juoksun tarkasti. Koulutettu luokitin saavuttaa näille luokille 99 prosentin tunnistustarkkuuden työssä kerätyllä datajoukolla, joka sisältää 12 tuntia kävelyä, 3 tuntia juoksua ja 4,5 tuntia pyöräilyä yhteensä kahdeksalta eri henkilöltä. Myös pyöräilyn tunnistustarkkuus on hyvä, mutta asettaa mobiililaitteen sijainnille erityisvaatimuksia. Nämä erityisvaatimukset huomioiden myös pyöräilyn tunnistustarkkuus on lähes 98 prosenttia.
Koska järjestelmän on tarkoitus toimia taustalla ilman, että käyttäjä erikseen ilmoittaa aktiviteetin alkaneen, on yksi suurimmista haasteista erottaa muut jokapäiväiset liikkeet ja toiminnot kuten mobiililaitteen normaali käyttö tunnistettavista aktiviteeteista. Työssä kiinnitetään erityistä huomiota myös järjestelmän resurssivaatimuksiin mobiililaitteen akkukulutuksen minimoimiseksi.
Toteutettu järjestelmä käsittelee mobiililaitteen tarjoamaa kolmiulotteista kiihtyvyysaikasarjaa lyhyissä ikkunoissa. Ikkunasta irrotetaan joukko piirteitä, joiden avulla tilastollinen luokitin tekee alustavan luokituksen aktiviteetista. Tätä tulosta jalostetaan jälkikäsittelyalgoritmilla, joka ottaa huomioon useamman peräkkäisen luokituksen. Luokittimen koulutusdatan keräämiseen kiinnitettiin erityistä huomiota.
Toteutettu järjestelmä asettaa kiihtyvyyssensorille erittäin vähän vaatimuksia. Järjestelmän vaatima 15 Hz:n näytteenottotaajuus on saatavilla lähes jokaisessa markkinoilla olevassa kiihtyvyysanturissa. Myös vaadittu ±2 g arvoalue on tarpeeksi pieni useimmille kiihtyvyysantureille. Toteutettu järjestelmä asettaa erittäin vähän vaatimuksia myös sensorin asennolle ja sijainnille käyttäjän vartalossa. Mobiililaitteen asennolla ei ole merkitystä, ja sen voi sijoittaa taskujen lisäksi jopa reppuun tai käsilaukkuun. Järjestelmän vaikutus akun kulutukseen on pieni. Lisäksi järjestelmä toteutettiin taustaprosessina, joka ei häiritse laitteen normaalia käyttöä millään tavalla.
Järjestelmä tunnistaa passiivisuuden, kävelyn ja juoksun tarkasti. Koulutettu luokitin saavuttaa näille luokille 99 prosentin tunnistustarkkuuden työssä kerätyllä datajoukolla, joka sisältää 12 tuntia kävelyä, 3 tuntia juoksua ja 4,5 tuntia pyöräilyä yhteensä kahdeksalta eri henkilöltä. Myös pyöräilyn tunnistustarkkuus on hyvä, mutta asettaa mobiililaitteen sijainnille erityisvaatimuksia. Nämä erityisvaatimukset huomioiden myös pyöräilyn tunnistustarkkuus on lähes 98 prosenttia.