站内公告：
联系我们CONTACT
2024-11-11点击量：830
本文摘要：人工智能（AI）目前正在为社会的方方面面带给革新。人工智能（AI）目前正在为社会的方方面面带给革新。比如，通过融合数据挖掘和深度自学的优势，如今可以利用人工智能来分析各种来源的大量数据，辨识各种模式、获取交互式解读和展开智能预测。这种创意发展的一个例子就是将人工智能应用于由传感器分解的数据，特别是在是通过智能手机和其他消费者设备所搜集的数据。
运动传感器数据以及其他信息比如GPS地址，可获取大量有所不同的数据集。因此，问题在于：“如何用于人工智能才能充分发挥这些协同作用？”运动数据分析一个说明性的的现实应用程序将可以通过分析用于数据来确认用户在每个时间段的活动，无论是在坐姿、走路、跑步或者睡眠中情况下。
在这种情况下，智能产品的益处不言而喻：1．提升客户生命周期价值提升用户参与度可以减少客户流失率。2．极具竞争力的产品定位下一代智能产品符合消费者日益增长的期望。3．为终端用户建构确实的价值对室内运动的精确检测和分析可实现灵敏的导航系统功能、展开身体健康风险监控，同时提升设备的效率。
对多种智能手机和可穿着平台实际用于情景的深度掌控，将大大有助产品设计师理解用户的反复习惯和不道德，例如确认准确的电池尺寸或确认启动时通报的准确时机。智能手机制造商对于人工智能功能的兴趣正浓，这也于是以引人注目了辨识非常简单日常活动，如步数的重要性，这终将发展为更加了解的分析，例如体育活动。对于像足球这样的风行体育运动，产品设计师会只侧重运动员，而是不会为更好的人获取便捷，比如教练、球迷甚至是广播公司和运动服装设计公司等大型公司。这些公司将从深层次的数据分析中受益，从而可以精确分析、提升和预测运动展现出。
数据提供和预处理在辨识这一商机之后，下一个合理的步骤就是思维如何有效地搜集这些极大的数据集。比如在活动追踪方面，原始数据通过轴向运动传感器以求搜集，例如智能手机、可穿着设备和其他便携式设备中的加速度计和陀螺仪。这些设备以几乎隐密的方式提供三个坐标轴（x、y、z）上的运动数据，即以便于用户应用于的方式倒数追踪和评估活动。
训练模型对于人工智能的监督式自学，必须用标记数据来训练“模型”，以便分类引擎可以用于此模型对实际用户不道德展开分类。举例来说，我们从正在展开跑步或是走路的测试用户那里搜集运动数据，并把这些信息获取给模型来协助其自学。由于这基本上是一种重复使用方法，非常简单的应用程序和摄影系统就可以已完成给用户“贴标签”的任务。
我们的经验指出，随着样本数量的减少，在分类上的人为错误率随之增加。因此，从受限数量的用户那里提供更好的样本集比从大量用户那里取得较小的样本集更有意义。只提供完整传感器数据是过于的。
我们仔细观察到，要构建高度精确的分类，必须细心确认一些特征，即系统必须被告诉对于区分各个序列最重要的特征或者活动。人工自学的过程具备反复性，在预处理阶段，哪些特征尤为最重要还仍未具体。因此，设备必需要依据有可能对分类准确性有影响的专业知识展开一些猜测。
为了展开活动辨识，命令性特征可以还包括“滤波信号”，例如身体加快（来自传感器的完整加速度数据）或“给定信号”，例如高速傅里叶转换（FFT）值或标准差计算出来。举例来说，加州大学欧文分校的机器学习数据库（UCI）创立了一个定义了561个特征的数据集，这个数据集以30名志愿者的六项基本活动，即双脚、坐姿、卧姿、行驶、下台阶和上台阶为基础。模式识别和分类搜集了完整运动数据之后，我们必须应用于机器学习技术来将其分类并展开分析。可可供我们用于的机器学习技术从逻辑重返到神经网络等不一而足。
反对向量机（SVMs）就是这样一个应用于人工智能的自学模型。身体活动，比如走路还包括了由多种运动包含的序列，由于反对向量机擅长序列分类，因此它是展开活动分类的合理自由选择。反对向量机的用于、培训、拓展和预测皆十分非常简单，所以可以精彩地三大设置多个样本收集实验，以用作处置简单的现实生活数据集的非线性分类。反对向量机还可实现多种不同的尺寸和性能优化。
确认一项技术后，我们必需为反对向量机自由选择一个软件图书馆。开源库LibSVM是一个很好的自由选择，它十分平稳并且有详尽的记录，反对多类分类，并获取所有主要开发者平台从MATLAB到Android的扩展。
持续分类的挑战在实践中，用户在移动的同时，用于中的设备要展开动态分类来展开活动辨识。为了将产品成本降至低于，我们必须在不影响结果也就是信息质量的前提下，均衡传输、存储和处置的成本。假设我们可以开销数据传输的费用，所有数据都可以在云端上取得存储和处置。
实质上，这不会为用户带给极大的数据费用，用户的设备当然要相连互联网，无线网络、蓝牙或4G模块的费用不可避免地将更进一步提高设备成本。更加差劲的是，在非城市地区，3G网络的采访效果一般来说不理想，例如徒步旅行、骑马自行车或游泳时。这种对云端的大量数据传输的倚赖不会使改版减慢，并且必须定期实时，从而大大抵销人工智能运动分析带给的实际益处。
与之忽略，仅有在设备的主处理器上处置这些操作者不会显著造成耗电量的减少，并且增加其他应用于的继续执行周期。同理，将所有数据都储存在设备上不会减少存储成本。
化圆为方为了解决问题这些彼此冲突的问题，我们可以遵循四个原则：1．合并——将特征处置从分类引擎的继续执行中合并。2．增加——智能自由选择精确的活动辨识所需的特征，来增加存储和处置的需求量。
3．用于——用于的传感器需需要以较低耗电量获取数据、实行传感器融合（将多个传感器的数据融合在一起），并且需要为持续继续执行展开特征预处理。4．保有——保有需要确认用户活动的系统支持性数据的模型。
通过将特征处置与分类引擎的继续执行合并，与加速度和陀螺仪传感器相连的处理器可以大得多。这有效地防止了将动态数据块倒数传输到更加强劲的处理器的市场需求。诸如用作将时间域信号转换为频率域信号的高速傅里叶转换的特征处置将必须低功耗融核处理器，以继续执行浮点运算。
此外，在现实世界中，单个传感器不存在物理容许，并且其输入随时间再次发生偏差，例如由于由焊和温度引发的位移和非线性图形。为了补偿这种点状性，必须传感器融合，以及较慢、内联和自动的校准。图1：活动分类的功能流程（来源BoschSensortec）此外，所自由选择的数据捕捉速率可以明显影响所需的计算出来和传输量。
一般来说来说，50Hz比特率对于长时间的人类活动就充足了。但在对较慢移动的活动或运动展开分析时，必须200Hz的比特率。
某种程度地，为了获得更慢的响应时间，可以加装2kHz分开加快计来确认用户目的。为了庆贺这些挑战，低功耗或者应用于特定传感器集线器可以明显减少分类引擎所需的CPU周期。
比如BoschSensortec的BHI160和BNO055两个产品就是这种传感器集线器。涉及软件可必要以有所不同的传感器数据速率必要分解融合后的传感器输入。对待处置特征的初始自由选择随后不会很大地影响训练模型的大小、数据量以及训练和继续执行内联预测所需的计算能力。
因此，对特定活动分类和区分所需的特征展开自由选择是一项关键的要求，同时也很有可能是最重要的商业优势。总结我们上文提及的UCI机器学习数据库，其享有561个特征的原始数据集，用于配置文件的LibSVM内核训练的模型展开活动分类的测试准确度高达91．84％。
然而，已完成培训和特征名列后，自由选择最重要的19项功能不足以超过85．38％的活动分类测试准确度。经过对名列展开仔细检查，我们找到最涉及的特征是频域转换以及滑动窗口加速度原始数据的平均值、最大值和最小值。有意思的是，这些特征都无法意味着通过预处理构建，传感器融合对于保证数据的充足可靠性十分必要，并因此对分类最为简单。
结论总而言之，科技发展现在早已超过在便携式设备上运营高级人工智能来分析运动传感器的数据的程度。这些现代传感器以低功耗运营，而传感器融合和软件分区则明显提高了整个系统的效率和可行性，同时也大大简化了应用于程序开发。
本文来源：博鱼·boyu体育-www.awesomeflag.com
ink