如何使用传感器和人工智能来发挥传感器数据的协同作用？.docVIP

如何使用传感器和人工智能来发挥传感器数据的协同作用？ 导语：?人工智能（AI）目前正在为社会的方方面面带来革新。比如，通过结合数据挖掘和深度学习的优势，如今可以利用人工智能来分析各种来源的大量数据，识别各种模式、提供交互式理解和进行智能预测。 人工智能（AI）目前正在为社会的方方面面带来革新。比如，通过结合数据挖掘和深度学习的优势，如今可以利用人工智能来分析各种来源的大量数据，识别各种模式、提供交互式理解和进行智能预测。 这种创新发展的一个例子就是将人工智能应用于由传感器生成的数据，尤其是通过智能手机和其他消费者设备所收集的数据。运动传感器数据以及其他信息比如GPS地址，可提供大量不同的数据集。因此，问题在于：“如何使用人工智能才能充分发挥这些协同作用？” 运动数据分析 一个说明性的的真实应用程序将可以通过分析使用数据来确定用户在每个时间段的活动，无论是在坐姿、走路、跑步或者睡眠情况下。 在这种情况下，智能产品的好处不言而喻： 1．提高客户生命周期价值 提高用户参与度可以降低客户流失率。 2．更具竞争力的产品定位 下一代智能产品满足消费者日益增长的期待。 3．为终端用户创造真正的价值 对室内运动的准确检测和分析可实现灵敏的导航功能、进行健康风险监控，同时提高设备的效率。对多种智能手机和可穿戴平台实际使用情景的深度掌握，将大大有助于产品设计师了解用户的重复习惯和行为，例如确定正确的电池尺寸或确定推送通知的正确时机。 智能手机制造商对于人工智能功能的兴趣正浓，这也正突出了识别简单日常活动，如步数的重要性，这必将发展为更为深入的分析，例如体育活动。对于像足球这样的流行体育运动，产品设计师不会只着眼于运动员，而是会为更多的人提供便利，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获益，从而可以准确量化、提高和预测运动表现。 数据获取和预处理 在识别这一商机之后，下一个合理的步骤就是思考如何有效收集这些巨大的数据集。 比如在活动跟踪方面，原始数据通过轴向运动传感器得以收集，例如智能手机、可穿戴设备和其他便携式设备中的加速度计和陀螺仪。这些设备以完全隐蔽的方式获取三个坐标轴（x、y、z）上的运动数据，即以便于用户应用的方式连续跟踪和评估活动。 训练模型 对于人工智能的监督式学习，需要用标记数据来训练“模型”，以便分类引擎可以使用此模型对实际用户行为进行分类。举例来说，我们从正在进行跑步或是走路的测试用户那里收集运动数据，并把这些信息提供给模型来帮助其学习。 由于这基本上是一种一次性方法，简单的应用程序和照相系统就可以完成给用户“贴标签”的任务。我们的经验表明，随着样本数量的增加，在分类上的人为错误率随之减少。因此，从有限数量的用户那里获取更多的样本集比从大量用户那里获得较小的样本集更有意义。 只获取原始传感器数据是不够的。我们观察到，要实现高度准确的分类，需要仔细确定一些特征，即系统需要被告知对于区分各个序列重要的特征或者活动。人工学习的过程具有反复性，在预处理阶段，哪些特征最为重要还尚未明确。因此，设备必须要依据可能对分类准确性有影响的专业知识进行一些猜测。 为了进行活动识别，指示性特征可以包括“滤波信号”，例如身体加速（来自传感器的原始加速度数据）或“导出信号”，例如高速傅里叶变换（FFT）值或标准差计算。 举例来说，加州大学欧文分校的机器学习数据库（UCI）创建了一个定义了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，即站立、坐姿、卧姿、行走、下台阶和上台阶为基础。 模式识别和分类 收集了原始运动数据之后，我们需要应用机器学习技术来将其分类并进行分析。可供我们使用的机器学习技术从逻辑回归到神经网络等不一而足。 支持向量机（SVMs）就是这样一个应用于人工智能的学习模型。身体活动，比如走路包括了由多种运动构成的序列，由于支持向量机擅长于序列分类，因此它是进行活动分类的合理选择。 支持向量机的使用、培训、扩展和预测均十分简单，所以可以轻松地并列设置多个样本采集实验，以用于处理复杂的现实生活数据集的非线性分类。支持向量机还可实现多种不同的尺寸和性能优化。 确定一项技术后，我们必须为支持向量机选择一个软件图书馆。开源库LibSVM是一个很好的选择，它非常稳定并且有详细的记录，支持多类分类，并提供所有主要开发者平台从MATLAB到Android的拓展。 持续分类的挑战 在实践中，用户在移动的同时，使用中的设备要进行实时分类来进行活动识别。为了将产品成本降到最低，我们需要在不影响结果也就是信息质量的前提下，平衡传输、存储和处理的成本。 假设我们可以负担数据传输的费用，所有数据都可以在云端上获得存