電子發(fā)燒友網(wǎng)>電子資料下載>電子資料>使用通用傳感器API和Google進行用戶活動識別

使用通用傳感器API和Google進行用戶活動識別

1860193 2023-06-19 | zip | 0.00 MB | 次下載 | 免費

資料介紹

描述

這是為羅馬第一大學(xué)物聯(lián)網(wǎng)課程的Assignment4制作的項目。

介紹

在本作業(yè)中，我創(chuàng)建了一個 HTML5 人群感應(yīng)應(yīng)用程序，它使用通用傳感器 API 從手機的加速度計傳感器收集數(shù)據(jù)。收集到的值會像之前的教程一樣傳輸?shù)?Google Cloud 基礎(chǔ)架構(gòu)。

使用在云端收集的數(shù)據(jù)，我開發(fā)了一個簡單的活動識別模型，可以檢測用戶是靜止不動還是移動。

該應(yīng)用程序以兩種模式開發(fā)：基于云的部署和基于邊緣的部署。請注意，為了簡化測試，我的應(yīng)用程序?qū)煞N方法一起使用，但將它們分開非常簡單。

以下部分是有關(guān)如何設(shè)置和運行系統(tǒng)的動手教程。

使用的技術(shù)：NodeJS、HTML5、通用傳感器 API、MQTT、谷歌云物聯(lián)網(wǎng)核心。

UAR - 移動應(yīng)用程序

移動應(yīng)用程序是一個使用 NodeJS、HTML5 和通用傳感器 API 創(chuàng)建的簡單系統(tǒng)。目標是開發(fā)一個簡單的用戶活動識別 (UAR) 模型。

用戶活動識別

該應(yīng)用程序從手機的加速度計傳感器讀取值，提供應(yīng)用于設(shè)備 X、Y 和 Z 軸的加速度。作為第一次嘗試，我嘗試以 1Hz 的頻率對值進行采樣，但生成的模型并不可靠，因此，經(jīng)過一些嘗試，我將頻率設(shè)置為 4Hz。

三軸加速度

設(shè)置傳感器非常簡單，借助通用傳感器 API，可以在應(yīng)用程序前端使用簡單的 JS 腳本來完成。首先，我們必須確保手機配備了傳感器，在這種情況下，我們必須能夠訪問它。在這方面，需要注意的是 Generic Sensor API 需要 Google Chrome 瀏覽器和 HTTPS 協(xié)議作為先決條件。

如果所有檢查都成功，我們就可以讓我們的傳感器與startApp()函數(shù)一起工作。但在看到這部分之前，我們必須先談?wù)劵谠频牟渴鸷突谶吘壍牟渴鹬g的區(qū)別。

-基于云的部署：

在此模式下，應(yīng)用程序通過 MQTT 連接將值發(fā)送到 Google Cloud IoT Core。鑒于到達云的數(shù)據(jù)，我們執(zhí)行模型并在新值到達時提供用戶狀態(tài)的狀態(tài)，并將它們顯示在提供以下功能的 Web 儀表板中：

顯示從所有傳感器接收到的最新值和結(jié)果活動。
顯示在過去一小時內(nèi)從所有傳感器接收到的值以及結(jié)果活動。

-基于邊緣的部署：

給定手機收集的數(shù)據(jù)，模型在本地執(zhí)行，為用戶的狀態(tài)提供狀態(tài)。只有活動識別模型的結(jié)果應(yīng)該傳輸?shù)皆贫恕?/font>此外，在這種情況下，我們創(chuàng)建了一個提供以下功能的 Web 儀表板：

顯示用戶的最新活動。
顯示過去一小時內(nèi)收到的活動。

1 / 2

現(xiàn)在我們準備好更好地理解startApp()函數(shù)在工作之前是如何看到的

首先，我們創(chuàng)建一個頻率為 4Hz 的 Accelerometer 類的新實例（第 66 行）。我們定義了一個事件監(jiān)聽器（第 68 行）來處理來自傳感器的值。我們每秒發(fā)送一次值，并且如前所述，我們區(qū)分了兩種部署模式。之后，我們還在應(yīng)用程序的前端顯示用戶的活動（第 100-101 行），最后，我們啟動傳感器（第 103 行）。

注意：通常只使用兩種模式中的一種，但為了簡單起見，在這種情況下，它們被放在了一起。如果您只想以一種方式運行應(yīng)用程序，只需將與另一種模式相關(guān)的代碼部分注釋掉即可。

在 Google 代理上發(fā)布的有效負載還包含一個用于識別用戶的字段。標識是使用用戶第一次打開應(yīng)用程序時生成的cookie進行的。這種方法只有重復(fù)用戶的問題，確實為了更好的識別，需要一個身份驗證過程，但這不是這個項目的目標。

在本節(jié)的最后一部分，我們將討論用于識別人類活動的預(yù)測模型。

預(yù)測模型

模型

我們想要估計運動檢查加速度是否保持在給定的閾值內(nèi)，在我們的例子中是 9.05 - 9.95 的范圍。這種選擇的動機是當移動設(shè)備靜止時，無論位置如何，只有重力加速度會作用于它。該范圍略大于重力加速度，以保證良好的可靠性水平。由于我們有加速度的三個分量（x，y，z），我們可以計算斜邊的大小來檢索單個值。

這種方法的主要問題是誤報和誤報，因為它是一個簡單的計算，而不是機器學(xué)習(xí)訓(xùn)練的模型。

UCI HAR 數(shù)據(jù)集的實驗

還使用數(shù)據(jù)集UCI HAR進行了一些實驗-具有 6 個類別的數(shù)據(jù)集：WALKING、WALKING_UPSTAI RS、WALKING_DOWNSTAIRS、SITTING、STANDING、LAYING。由于我們只需要識別運動，因此我將六個類別合并為兩個類別：站立，移動。對于實驗，我使用了一個隨機森林分類器，結(jié)果準確率為 97%。不幸的是，我無法很好地實現(xiàn)系統(tǒng)，在從新輸入值中提取特征時遇到了幾個問題。本實驗在本項目的 git 倉庫中。我使用了 Python 庫 Scikit Learn（請參閱文件夾 uar_model）。

谷歌云后端

首先要做的是建立我們的谷歌平臺。打開“IoT Core”部分后，請按照以下簡單步驟操作：

1) 創(chuàng)建注冊表

2）創(chuàng)建設(shè)備并將它們添加到注冊表（我們的目的是4個設(shè)備）

3) 創(chuàng)建訂閱并將其連接到設(shè)備

請注意，要執(zhí)行第二步，您必須創(chuàng)建一個證書。本指南由 Google 提供，包含所有詳細步驟：快速入門 - 指南。

完成這部分我們就可以開發(fā)我們的后端了。

處理到達云端的消息

和以前一樣，我們注意到云部署和邊緣部署之間的區(qū)別。事實上，在云端，到達的數(shù)據(jù)使用我們的模型處理（第 95 行），保存在數(shù)據(jù)庫中（第 97-106 行）并發(fā)送到儀表板（第 108 行），而不是在基于邊緣的數(shù)據(jù)中直接保存在數(shù)據(jù)庫中（第 112-118 行）并發(fā)送到儀表板（第 120 行）。