论文原文：点击此处
论文下载：点击此处
论文被引：2034
论文年份：2010

本文是WISDM (WIreless Sensor Data Mining) 无线传感数据挖掘实验室的第一篇论文。
如果在做人类行为识别等数据挖掘任务的话，此篇论文关于数据集的构建与处理是需要重点研究的，具体参考2.2节。

Activity Recognition using Cell Phone Accelerometers

ABSTRACT

Mobile devices are becoming increasingly sophisticated and the latest generation of smart cell phones now incorporates many diverse and powerful sensors. These sensors include GPS sensors, vision sensors (i.e., cameras), audio sensors (i.e., microphones), light sensors, temperature sensors, direction sensors (i.e., magnetic compasses), and acceleration sensors (i.e., accelerometers).The availability of these sensors in mass-marketed communication devices creates exciting new opportunities for data mining and data mining applications. In this paper we describe and evaluate a system that uses phone-based accelerometers to perform activity recognition, a task which involves identifying the physical activity a user is performing. To implement our system we collected labeled accelerometer data from twenty-nine users as they performed daily activities such as walking, jogging, climbing stairs, sitting, and standing, and then aggregated this time series data into examples that summarize the user activity over 10second intervals. We then used the resulting training data to induce a predictive model for activity recognition. This work is significant because the activity recognition model permits us to gain useful knowledge about the habits of millions of users passively— just by having them carry cell phones in their pockets.
Our work has a wide range of applications, including automatic customization of the mobile device’s behavior based upon a user’s activity (e.g., sending calls directly to voicemail if a user is jogging) and generating a daily/weekly activity profile to determine if a user (perhaps an obese child) is performing a healthy amount of exercise.

移动设备变得越来越复杂，最新一代的智能手机现在集成了许多多样且功能强大的传感器。这些传感器包括GPS传感器，视觉传感器（即照相机），音频传感器（即麦克风），光传感器，温度传感器，方向传感器（即电磁罗盘）和加速度传感器（即加速度计）。这些传感器在大量销售的通信设备中的可用性为数据挖掘和数据挖掘应用创造了令人兴奋的新机遇。在本文中，我们描述并评估了一个使用基于电话的加速度计执行活动识别的系统，该任务涉及识别用户正在执行的身体活动。为了实施我们的系统，我们收集了29位用户在执行日常活动（例如步行，慢跑，爬楼梯，坐着和站立）时的带标签的加速度计数据，然后将该时间序列数据汇总为示例，以10秒为间隔总结用户活动。然后，我们使用所得的训练数据来诱导活动识别的预测模型。这项工作意义重大，因为活动识别模型使我们能够被动地获得数百万用户的习惯的有用知识-只需使他们的手机随身携带即可。我们的工作涉及广泛的应用，包括根据用户的活动（例如，如果用户正在慢跑，直接将呼叫发送到语音邮件）自动定制移动设备的行为，以及生成每日/每周的活动配置文件以确定用户是否（可能是肥胖的孩子）正在进行健康的运动。

Categories and Subject Descriptors

I.2.6 [Artificial Intelligence]: Learning-induction

General Terms

Algorithms, Design, Experimentation, Human Factors

Keywords

Sensor mining, activity recognition, induction, cell phone, accelerometer, sensors

1. INTRODUCTION

诸如蜂窝电话和音乐播放器之类的移动设备最近已经开始结合各种强大的传感器。这些传感器包括GPS传感器，音频传感器（即麦克风），图像传感器（即照相机），光传感器，温度传感器，方向传感器（即罗盘）和加速度传感器（即加速度计）。由于这些“智能”移动设备的体积小，其强大的计算能力，其发送和接收数据的能力以及它们在我们社会中几乎无处不在的使用，这些设备为数据挖掘研究和数据挖掘应用打开了令人兴奋的新领域。。 我们的WISDM（无线传感器数据挖掘）项目[19]的目标是探索与从这些功能强大的移动设备中挖掘传感器数据有关的研究问题，并构建有用的应用程序。在本文中，我们探索了使用一种传感器（加速度计）来识别用户正在执行的活动-我们将其称为活动识别的任务。

我们选择基于Android的手机作为WISDM项目的平台，因为Android操作系统是免费的，开源的，易于编程的，并且有望成为手机市场上的主导地位（这很明显正在发生）。我们的项目目前使用几种类型的Android手机，包括Nexus One，HTC Hero和Motorola Backflip。这些电话使用不同的蜂窝运营商，尽管这与我们的目的无关，因为所有电话都可以使用标准接口通过Internet将数据发送到我们的服务器。但是，这项工作中的许多数据都是通过USB连接直接从手机上存储的文件中收集的，但是我们希望这种数据收集方式在以后的工作中会越来越少。

所有这些Android手机，以及几乎所有新的智能手机和智能音乐播放器，包括iPhone和iPod Touch [2]，都包含三轴加速度计，可测量所有三个空间维度的加速度。这些加速度计还能够检测设备的方向（借助它们可以检测地球重力方向的事实），可以为活动识别提供有用的信息。加速度计最初包含在这些设备中，以支持高级游戏并实现自动屏幕旋转，但显然它们还有许多其他应用。实际上，如果可以使用加速度计来识别用户的活动，则可以构建许多有用的应用程序。例如，我们可以自动监视用户的活动级别，并生成每日，每周和每月的活动报告，这些报告可以自动通过电子邮件发送给用户。这些报告将指示总体活动水平，该水平可用于评估用户是否正在进行足够的运动并估计每日消耗的卡路里数量。这些报告可以用来鼓励健康的做法，并且可以使一些用户警觉他们或他们的孩子实际上久坐不动。活动信息还可以用于自动自定义手机的行为。例如，可以自动选择音乐以匹配活动（例如，用户跑步时为“快拍”音乐），或者在用户锻炼时直接将呼叫发送至语音邮件。 毫无疑问，在许多其他情况下，根据用户活动来修改电话的行为将是有帮助的，我们预计在未来十年内将有许多此类应用程序可用。

为了使用监督学习解决活动识别任务，我们首先收集了29位用户在执行诸如步行，慢跑，爬楼梯，下楼梯，坐着和站立等活动时的加速度计数据。然后，我们将原始时间序列加速度计数据汇总为示例，如2.2节所述，其中每个示例都标有收集数据时发生的活动。然后，我们使用三种分类算法为活动识别建立了预测模型。

基于加速度计的活动识别这个话题并不新鲜。Bao＆Intille [3]开发了一种活动识别系统，该系统使用放置在用户身体五个位置的双轴加速度计来识别二十种活动。其他研究类似地集中于如何使用各种基于加速度计的设备来识别一系列用户活动[4-7、9-16、21]。其他工作集中于可以基于加速度计的活动识别构建的应用程序。这项工作包括识别用户的活动水平并预测其能量消耗[8]，检测跌倒以及跌倒后用户的运动[12]以及监视用户活动水平以促进健康和健身[1]。我们的工作与大多数以前的工作不同，我们使用的是市售的商业设备，而不是仅用于研究的设备；我们使用方便地放在用户口袋中的单个设备，而不是遍布身体的多个设备，并且我们不需要其他设备用户的动作。而且，我们使用比以前的大多数研究更多的用户（二十九）来生成和测试我们的模型，并且由于我们正在继续收集数据，因此预计该数字将大大增加。涉及商用设备（如智能手机）的少数研究要么集中于极少数用户[21]，要么针对特定用户训练了模型[4]，而不是创建可应用于任何用户的通用模型。

我们的工作做出了一些贡献。其中一项贡献就是我们已经收集并继续收集的数据，我们计划在将来公开这些数据。这些数据可以作为其他研究人员的资源，因为我们自己找不到这些公开可用的数据。我们还演示了如何将原始时间序列加速度计数据转换为可以由常规分类算法使用的示例。我们证明，可以使用通常可用的（几乎无处不在的）设备执行活动识别，但仍可以获得高度准确的结果。最后，我们相信我们的工作将有助于引起人们对挖掘无线传感器数据的机会的关注，并将刺激这一领域的额外工作。

本文的其余部分的结构如下。 第2节介绍解决活动识别任务的过程，包括数据收集，数据预处理和数据转换。第3节介绍了我们的实验和结果。 第4节描述了相关工作，第5节总结了我们的结论，并讨论了未来的研究领域。

2. THE ACTIVITY RECOGNITION TASK

在本节中，我们描述活动识别任务和执行此任务的过程。在第2.1节中，我们描述了收集原始加速度计数据的协议，在第2.2节中，我们描述了如何预处理原始数据并将其转换为示例，在第2.3节中，我们描述了将被预测/识别的活动。

2.1 Data Collection

为了收集我们监督学习任务的数据，有必要让大量用户在执行某些日常活动时携带基于Android的智能手机。在收集这些数据之前，我们获得了福特汉姆大学IRB（机构审查委员会）的批准，因为该研究涉及对人类受试者的“实验”，并且存在一定的伤害风险（例如，受试者在慢跑或爬楼梯时可能会绊倒）。然后，我们邀请29位志愿者受试者在执行特定活动时携带智能手机。这些受试者将Android手机放在前裤腿袋中，并被要求在特定时间段内走路，慢跑，爬楼梯，下楼梯，坐着站立。

数据收集由我们创建的应用程序控制，该应用程序在手机上执行。该应用程序通过一个简单的图形用户界面，使我们能够记录用户名，开始和停止数据收集并标记正在执行的活动。该应用程序使我们可以控制收集哪些传感器数据（例如GPS，加速度计）以及收集频率。在所有情况下，我们每隔50ms收集一次加速度计数据，因此每秒有20个样本。数据收集受到WISDM团队成员之一的监督，以确保数据质量。

2.2 Feature Generation & Data Transformation

标准分类算法不能直接应用于原始时间序列加速度计数据。相反，我们首先必须将原始时间序列数据转换为示例[18]。 为此，我们将数据划分为10秒的段，然后基于每个10秒的段中包含的200个读数生成特征。 我们将每个段的持续时间称为示例持续时间（ED）。 我们选择了一个10秒的ED，因为我们认为它提供了足够的时间来捕获六项活动中某些涉及的（重复）动作的几次重复。 尽管我们没有进行实验来确定最佳示例持续时间值，但是我们确实比较了10秒和20秒ED的结果，而10秒ED产生了更好的结果（以及两倍的训练示例）。

接下来，我们基于200个原始加速度计读数生成了有用的信息，其中每个读数包含对应于三个轴/维度的x，y和z值（请参见图1）。我们总共生成了43个摘要功能，尽管这些都是6个基本功能的变体。功能描述如下，括号中为每种功能类型生成的功能数量：

平均[3]：平均加速度（每个轴）
标准偏差[3]：标准偏差（每个轴）
平均绝对差[3]：ED中200个读数中的每个值之间的平均绝对差以及这200个值的平均值（每个轴）
平均结果加速度[1]：ED上每个轴的值的平方和再开平方。√（xi² + yi² + zi²）
峰间时间[3]：与大多数活动相关的正弦波峰之间的时间（以毫秒为单位）（对于每个轴）
Bined Distribution [30]：我们确定每个轴的值范围（最大-最小），将其除以分为10个大小相等的容器，然后记录200个值中有多少属于每个容器。
“峰间时间”(“time between peaks”)功能需要进一步说明。重复活动（如行走）往往会为每个轴生成重复的波浪，并且此功能会尝试测量连续峰之间的时间。为了估计该值，对于每个示例，我们首先使用启发式方法识别波中的所有峰，然后为每个轴识别最高峰。然后，我们根据该值的百分比设置阈值，并找到达到或超过此阈值的其他峰。如果没有峰满足此标准，则降低阈值，直到找到至少三个峰。然后，我们测量连续峰值之间的时间并计算平均值。对于找不到至少三个峰的sample，峰值间的时间标记为未知。对于步行和慢跑等具有明显重复模式的活动，该方法能够准确地找到高峰之间的时间。当然，将来会尝试更复杂的方案。

每个用户为每个活动生成的示例数量有所不同。这些差异是由于某些用户可能存在的时间限制或影响他们在每个活动上花费的时间的身体限制所致。我们的数据集在3.1节中进行了概述。

2.3 The Activities

在这项研究中，我们考虑了六种活动：散步，慢跑，上楼梯，下楼梯，坐着和站立。 我们之所以选择这些活动，是因为许多人每天都会定期进行这些活动。这些活动还涉及经常在相当长的一段时间内发生的动作，因此使其更易于识别。此外，这些活动大多数都涉及重复性动作，我们认为这也应使这些活动更易于识别。当我们记录每个活动的数据时，我们记录了三个轴上的加速度。 我们假设，z轴捕获腿部的向前运动，而y轴捕获腿部的向上和向下运动，X轴捕获用户腿部的水平运动。图1展示了相对于用户的这些轴。

图2绘制了一个典型用户，所有三个轴以及六个活动中每个活动的加速度计数据。显然，基于x，y和z值的相对大小，而其他四个活动（图2a-d），坐和站（图2e，f）没有表现出周期性行为，但确实具有独特的模式。（涉及重复运动）确实表现出周期性行为。请注意，对于大多数活动，y值具有最大的加速度。这是地球引力的结果，它使加速度计在地球中心方向测量的值为9.8 m / s2。对于除坐姿以外的所有活动，该方向对应于y轴（请参见图1）。

步行，慢跑，上楼梯和下楼梯的周期性模式（图2a-d）可以根据峰之间的时间以及加速度值的相对大小来描述。如图2a所示，步行图显示了y轴的一系列高峰，它们以大约½秒的间隔隔开。 z轴加速度数据的峰值回波这些峰值，但幅度较小。z轴和y轴数据的峰之间的距离代表一个跨度的时间。 x轴值（左右）具有更低的幅度，但仍模仿与其他轴相关的峰值。对于慢跑，z轴和y轴数据会看到类似的趋势，但是峰值之间的时间更短（〜1/4秒），正如人们所期望的那样。可以预期，慢跑的y轴加速度值的范围大于步行的y轴加速度值的范围，尽管在负方向上的偏移更为明显。

对于下降的楼梯，每隔约½秒观察到一系列小的yaxis加速度峰值。每个小峰代表沿单个楼梯向下运动。 Z轴值在负加速度下显示出相似的趋势，反映了每个楼梯向下的规律运动。 x轴数据显示了一系列半规则的小峰，加速度再次在正值和负值之间波动。对于上升楼梯，z轴数据和y轴数据也有一系列规则的峰值；它们之间的间隔约为〜3/4秒，反映出爬楼梯所需的时间更长。

正如人们所期望的，坐和站不会表现出任何规律的周期性行为，并且所有加速度值都相对恒定。如前所述，这些活动之间的主要区别在于，由于用户在坐着和站着时设备相对于地球的方向不同，因此每个轴的值的相对大小不同。因此，似乎很容易区分坐着和站着，即使它们都没有太多运动。请注意，由于加速度计本身就能够确定相对于地球重力场的方向，因此，由于手机在用户口袋中的移动位置而导致的手机方向的任何变化，补偿/校正都是相对简单的。我们计划在以后的工作中实施此更正。

3. EXPERIMENTS

在本节中，我们描述了实验，然后介绍并讨论了活动识别任务的结果。

3.1 Description of Experiments

我们的实验首先要求我们收集标记的原始加速度计数据，然后将其转换为示例。第2节介绍了此过程。生成的示例包含43个功能，涵盖了29个用户。这形成了表1中描述的数据集，该数据集随后用于培训和测试。表1的最后一行显示了与每个活动相关的示例总数的百分比。

请注意，某些活动所包含的示例要少于其他活动，这主要是因为长时间不要求用户执行剧烈的活动（例如，慢跑，爬楼梯），并且因为我们认为其他活动（例如，站立）中的模式会变得明显快速地进行操作，因此无需浪费用户的时间来“站着”。此外，某些活动（例如站立和坐着）仅在研究开始后才添加，因此我们没有某些用户的这些活动的数据。

一旦准备好数据集，我们就使用了WEKA数据挖掘套件中的三种分类技术[20]来得出用于预测用户活动的模型：决策树（J48），逻辑回归和多层神经网络。在每种情况下，我们都使用默认设置。我们对所有实验使用十倍交叉验证，所有结果均基于这十次运行。

3.2 Results

表2中列出了我们的活动识别实验的摘要结果。该表指定了与每种活动相关的预测准确性，三种学习算法中的每种算法以及简单的“稻草人”策略（simple “straw man” strategy）。稻草人策略始终会预测指定的活动（即，在表2的第一行中走动，在表2的第二行中慢跑），或者在评估分类器的总体性能时（即表2的最后一行），始终可以预测最常发生的活动，即恰巧是步行。基线稻草人策略允许我们在评估活动识别系统的性能时考虑班级不平衡的程度。

表2表明，在大多数情况下，我们可以达到很高的准确性。对于步行和慢跑这两种最常见的活动，我们通常会达到90％以上的准确度。 慢跑似乎比走路更容易识别，这似乎是有道理的，因为慢跑涉及加速度的更多极端变化。识别这两个爬楼梯活动似乎要困难得多，但是正如我们将很快看到的那样，这是因为这两个相似的活动经常相互混淆。请注意，尽管很少有坐着和站着的示例，但我们仍然可以很好地识别这些活动，因为如前所述，这两个活动会导致设备改变方向，并且很容易从加速度计数据中检测到。我们的结果表明，三种学习算法均不能始终表现最佳，但是多层感知器总体上表现最佳。表3-5中列出了更详细的结果，这些结果显示了与三种学习算法中的每一种相关的混淆矩阵。

要分析的最重要的活动是上升和下降楼梯活动，因为这些是唯一难以识别的活动。 混淆矩阵表明许多预测误差是由于这两个活动之间的混淆所致。如果我们关注表3中J48决策树模型的结果，我们会看到，当我们爬楼梯时，最常见的错误分类是在预测“楼下”时发生的，发生了107次，说明准确性降低了。 19.6％（545个错误中的107个）。当实际活动是在楼下爬坡时，就错误总数而言，走步比“上楼”略胜一筹（99 vs. 92），但这仅是因为在我们的数据集中，走步的次数是上楼攀爬的次数的三倍以上。如果我们看一下图2a，2c和2d，可以看到加速度数据中“行走”，“上升楼梯”和“下降楼梯”之间的模式有些相似。 为了限制上升和下降楼梯活动之间的混淆，我们进行了另一组实验，将上升楼梯和下降楼梯合并为一个活动。表6中显示了J48算法产生的混淆矩阵（为了节省空间，在其他两种算法中未显示它们）。尽管爬楼梯仍然是最难识别的活动，但我们看到结果得到了显着改善。

4. RELATED WORK

由于在诸如手机之类的消费产品中加速度计的可用性不断提高，并且由于许多潜在的应用，活动识别最近已成为研究的热点。在基于加速度计的活动识别中，一些最早的工作集中在使用放置在用户身体多个部位的多个加速度计。在有关该主题的最早研究之一中，Bao＆Intille [3]使用了佩戴在用户右臀部，优势手腕，非优势上臂，优势脚踝和非优势大腿上的五个双轴加速度计，以便从20位用户中收集数据。他们使用决策表，基于实例的学习，C4.5和朴素贝叶斯分类器，创建了可识别20项日常活动的模型。他们的结果表明，放在大腿上的加速度计最能区分活动。这一发现支持我们决定让测试对象将手机放在最方便的位置-他们的裤子口袋中。

Bao＆Intille等其他研究人员使用多个加速度计进行活动识别。 克里希南（Krishnan）等[9]使用三个加速度计从三个用户那里收集数据，以识别五种活动-步行，坐着，站立，跑步和躺下。 本文认为，大腿加速度计的数据不足以对坐下，躺下，行走和跑步等活动进行分类，因此有必要使用多个加速度计（我们的研究与此相矛盾）。在另一篇论文中，克里希南等人。等 [10]使用从十个佩戴三个加速度计的受试者收集的数据，检查了七个下半身活动。该方法在监督和半自然环境中进行了测试。Tapia等 [16]从21个使用者身上的五个加速度计收集的数据放置在不同的身体位置，并使用该数据实施实时系统来识别30个体育馆活动。除了加速度计数据外，通过合并来自心脏监护仪的数据，性能略有提高。**Mannini和Sabitini [23]使用了五个附在臀部，手腕，手臂，脚踝和大腿上的三轴加速度计，以识别13个使用者的20项活动。**各种学习方法被用来识别三个“姿势”（躺着，坐着和站着）和五个“动作”（走路，爬楼梯，跑步和骑自行车）。Foerster和Fahrenberg [28]在一组实验中使用了五个加速度计的数据，而在另一组实验中使用了其中两个加速度计的数据进行活动识别。共有31位男性受试者参加了这项研究，并建立了一个层次分类模型，以区分在特定角度下的坐姿和躺姿等姿势以及在不同速度下的步行和爬楼梯等动作。

传感器以实现活动识别。帕卡（Parkka）等 [27]创建了一个系统，该系统使用二十种不同类型的传感器（包括戴在胸部的加速度计和戴在手腕上的加速度计）来识别诸如躺下，站立，行走，跑步，踢足球，挥杆，槌球，打球等活动，以及使用厕所等特殊活动。 Lee和Mase [25]创建了一个系统来识别用户的位置和活动，包括使用双轴加速度计和安装在传感器中的角速度传感器组成的传感器模块，包括坐着，站立，在水平地面上行走，在楼上和在楼下行走。口袋和佩戴在使用者腰部的数字罗盘相结合。Subramayana等 [26]通过使用来自三轴加速度计，两个麦克风，光电晶体管，温度和大气压力传感器以及GPS的数据来建立模型来区分静止状态，行走，慢跑，驾驶和爬升，从而解决了类似的活动和下楼梯。

尽管这些使用多个加速度计或加速度计与其他传感器组合的系统能够识别各种活动，但它们并不是很实用，因为它们涉及到用户佩戴多个分布在其身体上的传感器。这可能适用于某些短期，小规模，高度专业化的应用程序（例如，在医院环境中），但肯定不适用于我们设想的应用程序。

一些研究还集中于除了加速度计之外还组合多种类型的传感器以进行活动识别。Maurer等[13]使用放在皮带，衬衫口袋，裤子口袋，背包和脖子上的“ eWatch”设备来识别我们在研究中考虑的六种活动。每个“ eWatch”均由一个双轴加速度计和一个光传感器组成。决策树，k最近邻，朴素贝叶斯和具有五重交叉验证的贝叶斯网络分类器用于学习。Choudhury等[6]使用了一种多模式传感器设备，该设备由七种不同类型的传感器（三轴加速度传感器，麦克风，可见光光电传感器，气压计，可见光+红外光传感器，湿度/温度读取器和罗盘）组成，可识别诸如步行等活动，坐着，站立，上升楼梯，下降楼梯，电梯上下移动以及刷牙。 Cho等[5]使用单个三轴加速度计以及佩戴在用户腰部的嵌入式图像传感器来识别九种活动。尽管随着更多类型的传感器被集成到设备中，这些多传感器方法的确显示了移动传感器数据的巨大潜力，但我们的方法表明，只需一种类型的传感器（加速度计）即可识别大多数日常活动。 因此，我们的方法提供了一种简单易行的方法来完成此任务。

其他研究，例如我们自己的研究，都集中于使用单个加速度计进行活动识别。 Long，Yin和Aarts [22]使用三轴加速度计收集了二十四位用户的加速度计数据，而无需考虑用户腰部的方向。数据是自然收集的，决策树以及贝叶斯分类器与Parzen窗口估计器相结合可用于识别步行，慢跑，跑步，骑自行车和运动。李等[24]使用单个加速度计连接到五个用户的左腰。使用模糊c均值分类（ fuzzy c-means classification）可以高度准确地识别站立，坐着，行走，躺着和跑步。但是，与这些研究使用专门用于研究目的的设备不同，我们的方法利用的是商业设备，这些设备广泛可用，而无需任何其他专用设备。这种方法可以为我们的模型制作实际的实际应用程序。

一些研究人员已经考虑使用诸如手机之类的广泛使用的移动设备来解决活动识别问题。但是，较早的方法没有利用结合到移动设备本身中的传感器。例如，Gyorbiro等[7]使用“ MotionBands”连接到每个对象的主要手腕，臀部和脚踝，以区分六个不同的运动模式。每个MotionBand都包含一个三轴加速度计，磁力计和陀螺仪。随着MotionBand收集数据，该数据随后被传输到用户携带的智能手机进行存储。拉维等[15]从佩戴单个基于加速度计的设备的两个用户收集数据，然后将该数据传输到用户携带的HP iPAQ移动设备。使用此数据进行活动识别，研究人员比较了18个不同分类器的性能。莱斯特等等 [11]使用加速度计数据以及音频和气压传感器数据来识别少量用户的八项日常活动。尽管这些研究本可以使用手机生成加速度计数据，但他们并未这么做。取而代之的是，数据是使用用户佩戴的基于加速度计的独特设备生成的，然后发送到手机进行存储。

像我们这样的一些研究确实使用了实际的商用移动设备来收集数据以进行活动识别。这样的系统相对于其他基于加速度计的系统具有优势，因为它们不引人注目并且不需要任何其他设备即可进行数据收集和准确识别。 Miluzzo等[14]探索了在商用智能手机上可用于活动识别和移动社交网络应用的各种传感器（例如麦克风，加速计，GPS和照相机）的使用。为了解决活动识别任务，他们从十个用户那里收集了加速度计数据，以使用J48建立用于行走，跑步，坐立和站立的活动识别模型。 该模型在区分坐姿和站立姿势方面特别困难，这是我们的模型轻松实现的任务。 Yang [21]使用诺基亚N95手机开发了一种活动识别系统，可以区分坐，站，走，跑，开车和骑自行车。这项工作还探索了使用活动识别模型为用户构建身体活动日记的方法。尽管该研究获得了较高的预测准确性，但并未考虑爬楼梯，并且仅使用来自四个用户的数据对该系统进行了培训和测试。 Brezmes等[4]还使用诺基亚N95手机开发了一种实时系统，用于识别六个用户活动。 在他们的系统中，为每个用户训练了一个活动识别模型，这意味着没有通用模型可以应用于没有训练数据的新用户。我们的模型没有此限制。

5. CONCLUSIONS AND FUTURE WORK

在本文中，我们描述了如何通过简单地将智能手机放在口袋中来将其用于执行活动识别。我们进一步表明，活动识别可以高度准确，大多数活动在90％的时间内都可以正确识别。另外，由于每个示例仅从价值10秒的数据中生成，因此可以快速识别这些活动。我们考虑了一些有趣的应用程序来进行活动识别，并计划在不久的将来实现其中一些应用程序。

如果不建立基于Android的WISDM数据收集平台，我们的工作将是不可能的。我们认为这种软件和硬件架构是通过电话将数据传输到基于Internet的服务器的，作为这项工作的结果而产生的关键资源。通过将其放置在适当的位置，我们将能够更快地挖掘其他移动传感器数据。该平台以及我们收集的数据最终将公开。

我们计划通过几种方式来提高活动识别能力。直截了当的改进包括：1）学习识别其他活动，例如骑自行车和骑车； 2）从更多的用户那里获得培训数据，期望这将改善我们的结果； 3）在汇总原始时间序列数据，以及4）评估将手机携带在不同位置（如皮带环）的影响。此外，在不久的将来，我们计划显着增强WISDM平台，以便我们可以实时生成结果，而目前，我们的结果是离线生成的，不会报告给手机和用户。我们计划以两种方式提供实时结果。第一种方法是使服务器像往常一样通过服务器通过活动识别模型将数据传输到基于Internet的服务器上，并将服务器将结果传输回电话，从而将电话上所需的智能降至最低。在一个变体中，电话将发送原始加速度计数据，在第二个变体中，电话将执行数据转换步骤并仅在生成示例时发送数据。第二种方法涉及直接在手机上实现活动识别模型。考虑到这些设备的计算能力，这无疑是一个可行的选择。这种方法的一个主要优点是，它不需要服务器，从而使解决方案具有完美的可扩展性，并且由于传感器数据保存在设备本地，因此可以确保用户的隐私。

本文描述的工作是从无线设备中挖掘传感器数据的一项较大工作的一部分。我们计划继续进行WISDM项目，将加速度计数据应用于活动识别以及收集和挖掘其他传感器数据（尤其是GPS数据）之外的其他任务。我们相信，移动传感器数据为数据挖掘提供了巨大的机会，我们打算最大程度地利用我们基于Android的数据收集/数据挖掘平台。

6. REFERENCES

[1] Anderson, I., Maitland, J., Sherwood, S., Barkhuus, L.,Chalmers, M., Hall, M., Brown, B., and Muller, H. 2007.Shakra: Tracking and sharing daily activity levels with unaugmented mobile phones. In Mobile Networks and Applications.12(2-3).
[2] Apple iPhone and Apple iPod Touch. 2009. Apple Inc.www.apple.com.
[3] Bao, L. and Intille, S. 2004. Activity Recognition from User-Annotated Acceleration Data. Lecture Notes Computer Science3001, 1-17.
[4] Brezmes, T., Gorricho, J.L., and Cotrina, J. 2009. Activity Recognition from accelerometer data on mobile phones.In IWANN '09: Proceedings of the 10th International Work-Conference on Artificial Neural Networks, 796-799.
[5] Cho, Y., Nam, Y., Choi, Y-J., and Cho, W-D. 2008. Smart-Buckle: human activity recognition using a 3-axis accelerometer and a wearable camera. In HealthNet.
[6] Choudhury, T., Consolvo, S., Harrison, B., LaMarca, A.,LeGrand, L., Rahimi, A., Rea, A., Borriello, G., Hemingway,B., Klasnja, P.,Koscher, K., Landay, J., Lester, J., Wyatt, D.,and Haehnel, D. 2008. The mobile sensing platform: An embedded activity recognition system. In IEEE Pervasive Computing, 7(2), 32-41.
[7] Gyorbiro, N., Fabian, A., and Homanyi, G. 2008. An activity recognition system for mobile phones. In Mobile Networks and Applications,14(1), 82-91.
[8] Inooka, H., Ohtaki, Y. Hayasaka, H. Suzuki, A., and Nagatomi,R. 2006. Development of advanced portable device for daily physical assessment. In SICE-ICASE, International Joint Conference, 5878-5881.
[9] Krishnan, N., Colbry, D., Juillard, C., and Panchanathan, S. 2008. Real time human activity recognition using tri-Axial accelerometers. In Sensors, Signals and Information Processing Workshop.
[10] Krishnan, N. and Panchanathan, S. 2008. Analysis of Low Resolution Accelerometer Data for Continuous Human Activity Recognition. In IEEE International Conference on Acoustics, Speech and Signal Processing, (ICASSP 2008).Pages 3337-3340.
[11] Lester, J., Choudhury, T. and Borriello, G. 2006. A practical approach to recognizing physical activities. Lecture Notes in Computer Science: Pervasive Computing, 1–16.
[12] Mathie, M., Celler B., Lovell N., and Coster A. 2004. Classification of basic daily movements using a triaxial accelerometer.In Medical & Biological Engineering and Computing,42.
[13] Maurer, U., Smailagic, A., Siewiorek, D., & Deisher, M.2006. Activity recognition and monitoring using multiple sensors on different body positions. In IEEE Proceedings on the International Workshop on Wearable and Implantable Sensor Networks, 3(5).
[14] Miluzzo, E., Lane, N., Fodor, K., Peterson, R., Lu, H., Musolesi,M., Eisenman, S., Zheng, X. and Campbell, A. 2008.Sensing meets mobile social networks: The design, implementation and evaluation of the CenceMe application. In The 6th ACM Conference on Embedded Networked Sensor Systems,337-350.
[15] Ravi, N., Dandekar, N. 2005. Activity recognition from accelerometer data. In Proceedings of the Seventeenth Conference on Innovative Applications of Artificial Intelligence.
[16] Tapia, E.M., Intille, S.S. et al. 2007. Real-Time recognition of physical activities and their intensities using wireless accelerometers and a heart rate monitor. In Proceedings of the 2007 11th IEEE International Symposium on Wearable Computers, 1-4.
[17] Unwired View.com. 2009. Google wants to make your Android phone much smarter with accelerometer and other sensors. Stasys Bielinis.http://www.unwiredview.com/2009/05/21/google-wants-to-make-your-android-phone-muchsmarter-with-accelerometer-and-other-sensors/
[18] Weiss, G. M., and Hirsh, H. 1998. Learning to predict rare events in event sequences, In Proceedings of the Fourth International Conference on Knowledge Discovery and Data Mining, AAAI Press, Menlo Park, CA, 359-363.
[19] WISDM (Wireless Sensor Data Mining) Project. Fordham University, Department of Computer and Information Science, http://storm.cis.fordham.edu/~gweiss/ wisdm/
[20] Witten, I. H. and Frank, E. Data Mining: Practical Machine Learning Tools and Techniques, 2nd ed. Morgan Kaufmann, June 2005.
[21] Yang, J. 2009. Toward physical activity diary: Motion recognition using simple acceleration features with mobile phones, In First International Workshop on Interactive Multimedia for Consumer Electronics at ACM Multimedia.
[22] Long, X., Yin, B., and Aarts, R.M. 2009. Single accelerometer-based daily physical activity classification. In 31st Annual International Conference of the IEEE EMBS, 6107-6110.
[23] Mannini, A. and Sabatini A.M. 2010. Machine learning methods for classifying human physical activity from onbody accelerometers. In Sensors 2010, 10, 1154-1175.
[24] Lee, M., Kim, J., Kim, K., Lee, I., Jee, S.H., and Yoo, S.K. 2009. Physical activity recognition using a single tri-axis accelerometer. In Proceedings of the World Congress on Engineering and Computer Science 2009, 1.
[25] Lee, S.-W. and Mase, K. 2002. Activity and location recognition using wearable sensors. In IEEE Pervasive Computing,1(3):24–32.
[26] Subramanya, A., Raj, A., Bilmes, J., and Fox, D. 2006. Recognizing activities and spatial context using wearable sensors.In Proceedings of the 22nd Conference on Uncertainty in Artificial Intelligence.
[27] Parkka, J., Ermes, M., Korpipaa, P., Mantyjarvi, J., Peltola, J., and Korhonen, I. 2006. Activity classification using realistic data from wearable sensors. In IEEE Transactions on Information Technology in Biomedicine, 10(1), 119-128.
[28] Foerster F. and Fahrenberg J. 2000. Motion pattern and posture:correctly assessed by calibrated accelerometers. In Behavior Research Methods, Instruments, & Computers, 32(3),450–7.

【Paper】WISDM：Activity Recognition using Cell Phone Accelerometers相关推荐

【Paper】WISDM：The Impact of Personalization on Smartphone-Based Activity Recognition
论文原文论文下载论文被引:144 论文年份:2012 The Impact of Personalization on Smartphone-Based Activity Recognition ...
【Paper】CNN-LSTM：Long-term Recurrent Convolutional Networks for Visual Recognition and Description
论文期刊:CVPR 2015 (oral) 论文被引:3673 (04/24/20) 论文原文:点击此处该论文是 CNN-LSTM 的开山鼻祖,主要用于生成图像描述.初稿发布于2014年,拿到了 C ...
【Paper】ConvLSTM：Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting
论文原文论文下载论文被引:1651(2020/03/01) 4827(2022/03/26) 论文年份:2015 文章目录 Abstract 1 Introduction 2 Preliminar ...
【Paper】CNN-LSTM：Show and Tell: A Neural Image Caption Generator
论文期刊:CVPR 论文年份:2015 论文被引:3390(04/22/20) 论文下载:点击此处文章目录 Abstract 1. Introduction 2. Related Work 3. M ...
【Paper】Word2Vec：词嵌入的一枚银弹
Introduction Word2Vec是Google在2013 年开源的一个词向量(Word Embedding)计算工具,其用来解决单词的分布编码问题,因其简单高效引起了工业界和学术界极大的关注 ...
【Paper】2021_Distributed Consensus Tracking of Networked Agent Systems Under Denial-of-Service Attack
Y. Wan, G. Wen, X. Yu and T. Huang, "Distributed Consensus Tracking of Networked Agent Systems ...
【Paper】2017_水下潜航器编队海洋勘测的协调控制方法研究
友情链接:[paper]2019_Consensus Control of Multiple AUVs Recovery System Under Switching Topologies and T ...
【Paper】2019_Consensus Control of Multiple AUVs Recovery System Under Switching Topologies and Time D
Zhang W, Zeng J, Yan Z, et al. Consensus control of multiple AUVs recovery system under switching to ...
【Paper】2009_Controllability of Multi-Agent Systems from a Graph-Theoretic Perspective 精炼版
详细版请参考:[Paper]2009_Controllability of Multi-Agent Systems from a Graph-Theoretic Perspective 文章目录 5. ...

【Paper】WISDM：Activity Recognition using Cell Phone Accelerometers