محققان ازسه تکنولوژی اصلی برای تشخیص فعالیتهای انسان استفاده می­ کنند: بینایی کامپیوتر، حسگرفعال دیدن وRFID. بینایی شامل مقیاس­پذیری وشناسایی خوب که حتی در مقابل خطا هم به کار خود ادامه می­ دهند، است. حسگر فعال دیدن شناسایی دقیق اشیاء را میسر می­ کند اما نیاز به باتری­هایی دارد.RFID علامتهایی برای دقت تشخیص اشیاء همانند سیگنالهای فعال دارد و ازمزیتهای دیگر آن داشتن باتری مستقل است. اگرچه آنها شبیه حسگر راهنما نیستند پس می­توان گفت که آنها برای تخیص حرکت ناتوانند.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

با وجودیکه RFIDتشخیص فعالیتهای انسان را انجام می­دهد، نویسنده دو روش مختلف دیگری را بیان کرده است که هر دو مبتنی بر RFID هستند. iBracelet که دورمچ دست قرار می­گیرد، یک رنجی از RFIDاست واشیایی که از طریق مجاورت با دست مورد استفاده قرار می­گیرد را تشخیص می دهد. پایه سنس و تشخیص بی­سیم ) WISP) عضو خانواده RFIDاست که به آن حسگرهایی که حرکت اشیاء را تشخیص می­ دهند افزوده شده است.
دو شیوه تغییر وگسترش RFIDوجود داردکه هیچیک از این دو روش برای جستجو وکشف اشیاءبه باتری نیازی ندارند. سیستم WISPبرای تشخیص حرکت از حسگر فعال توانا تر عمل می­ کند. باتری مستقلی که توسط کارخانه شکل گرفته شده است از عواملی مثل علائم RFIDاستفاده میکند. سیستم iBracelet فقط از یک باتری برای توانا شدن مچ دست خواننده، استفاده می­ کند واطلاعاتی را درباره کسی که از آن استفاده می کند می­دهد خصوصا اشیاء غیر قابل دسترس از طریق روشWISP. آن دستگاهی که دور مچ دست خواننده قرار گرفته اطلاعاتی را می­دهد که باعث کنترل بیشتری روی سیستم می­ شود، از آنجایی که آنها به راحتی می­توانند آن را از کار بیندازد (با در آوردن آن) پس آنها به وسیله خواننده ثابت می­شوند.
iGlove در سال ۲۰۰۳ساخته شد یعنی در زمانی که اولین تلاشها برای جستجوی اشیاء به وسیله RFIDبود.
۳-۱۱-تشخیص فعالیت در اندروید [۵۱]

• • حسگرهای اندروید

• • مکان­ یابی اندروید

• • تشخیص صدای اندروید

• • دیتا­بیس ساده SQLITE

۳-۱۲-تشخیص فعالیت کاربر در موبایل(دستاوردها، چالش­ها، توصیه­ها)
با چند میلیارد مشترک در سراسر جهان، تلفن همراه یک فرصت منحصر به فرد برای احساس تشخیص فعالیت­های انسانی از محل، نزدیکی و ارتباطاتداده ارائه می­دهد.
جریان پژوهش مورد بررسی [۵۶] این است که چگونه تلفن­های همراه می­تواندبرای شناسایی پیاده­روی، سفرهای فضایی و اندازه گیری زمان صرف شده در خانه یا محل کار، در سراسر روزمورد استفاده قرار گیرد.با وجود تلاش قابل توجهو ادبیات نسبتا غنی در مورد این موضوع، می­توانید فقط دید که تشخیص فعالیت تا به حال ساخته و پرداخته شده است باجریان اصلی بازار تلفن همراه، همراه نشده است.
از طریق بسیاری از حسگرها، گوشی­های تلفن همراه امروزی نه تنها می­توانند اقدام به ضبط بشکل نا محسوس داشته باشند بلکه ارتباطات و مکان حضور افراد در طول روز را در نظر بگیرند. با بهره­ گیری از تکنیک­های یادگیری ماشین بر روی این داده ­ها، تشخیص فعالیت با هدف تعیین خودکار آنچه یک کاربردر یک زمان معینانجام می­دهد انجام
می­پذیرد.
برای مثال، مسافرت از نوسانات در سیگنالهای سلولی می ­تواند تشخیص داده شود و زمان در محل کار بودن می تواند با تشخیص بلوتوث­های فعال تلفن­های همراه همکاران یا کامپیوترهای رومیزی تخمین زده شود. علاوه بر این، شبکه­بندی طبیعت و قابلیت ­های محاسباتی گوشی­های تلفن همراه آنها را خیلی بیشتر از فقط دستگاه های ارتباطی نشان داده و راهی برای برنامه ­های کاربردی جدید باز می­ کند. به طور خاص، تجزیه و تحلیل رفتار انسان از داده ­های تلفن همراه انتظار
می­رود اجازه اشکال جدید بازاریابی هدفمند را می­دهد، وبلاگ­نویسی تلفن همراه – پیشگام توسط توییتر، فیس بوک و گوگل طول و عرض - و تحقیقات جنایی را می­دهد. پژوهش در تشخیص فعالیت توسط برنامه ­های کاربردی دیگر به ملزومات دیگر زندگی کاربر از جمله تدارکات، بهداشت و درمان، صرفه­جویی در انرژی و سرگرمی سوق داده شده است. با وجود مزایای بسیاری از تلفن همراه به عنوان یک پلت­فرم سنجش، از تلفن همراه مبتنی بر تشخیص فعالیت با موانع خاص که تا­کنون عمدتا استقرار آن در مقیاس بزرگ می­باشد روبرو هستیم.
هدف اول از این بخش تجزیه و تحلیل دستاوردها و چالش­های موجود در این کار است. کار تحقیقاتی این مقاله تعیین سه حوزه که به باور ما، شایسته در نظر گرفتن آنها در اولویت می­باشد. نسل جدیدی از گوشی­های هوشمند - مشهور از طریق موفقیت تجاری، آی­فون اپل – پیشرفته است که سنجش، پردازش و اتصال قابلیت ­های است که بسیاری از
تلاش­ های تحقیقاتی الهام بخش در هر دو صنعت و دانشگاه را بکار گرفته است ارائه می­دهد .به منظور خدمت به این هدف دوم ما تدوین و فرموله کردن مجموعه ­ای از دستورالعمل­ها و توصیه به افزایش میزان اعتبار و بهره­وری از جامعه پژوهش مورد نظر است.
یک دهه تحقیق در تشخیص فعالیت­های مبتنی بر تلفن همراه منجر به تصویب موفقیت آمیز دستگاه آماری تکنیک­های یادگیری و تشخیص قابل اعتماد از برخی ازفعالیت­های انسانی مربوط به مکان­های خاص و یا حالت حمل و نقل
می­باشد. اولین روش­های تشخیص فعالیت اواخر s1970 و اوایل s1980 مبتنی بر استنتاج و از طریق استدلال منطقی برای اولین بار ساخته شدند. این حال، این چارچوب مبتنی بر منطق در عمل قابل استفاده نیست. آنها در واقع دارای دو محدودیت مهم بودند. اول، تمام توضیحاتی که آنها در نظر گرفته هم برابر بوده و به همین دلیل نمی­توانست تعیین کند که احتمال کدام یک زیاد بوده. ثانیا، عدم تحمل نویز و عدم اطمینان از داده ­های دنیای واقعی.
این محدودیت به ویژه در تلفن همراه مبتنی برتشخیص فعالیت از منابع بسیاری از نویز وجود دارد و عدم قطعیت در داده ­های تلفن همراه را به دنبال دارد. دستگاه می ­تواند خاموش شود، شارژ نباشد و یا فراموش شده باشد. مسائل با ارتباطی رادیو وجود دارد از قبیل پذیرش فقیر قابل استفاده در محیط داخلی و نوسان اتصالات.
تشخیص پیاده­روی، رانندگی، باقی ماندن در خانه یا محل کار از آنجا که از قابلیت سنجش محدود از اوایل استفاده از تلفن همراه، تلفن همراه مبتنی بر سیستم­های تشخیص فعالیت به طور سنتی بر یک مجموعه کوچک از فعالیت متمرکز شده است. در بسیاری از موارد، فعالیت­های انسانی با دو پروکسی تقریب زده شده است، یعنی مکان و حرکت، که متناظربا دو نوع متعامد از تشخیص فعالیت­ها می­باشد. محل تشخیص فعالیت باید متناظر با فعالیت­های مرتبط به
مکان­های خاصی باشد. تشخیص محل کار یا خانه کاربر از سیگنال­های تلفن همراه و بلوتوث مشکلات معمولی که در قسمت قبل مطرح شده است را به دنبال دارد. برای مثال، در مرجع۲ این مقاله سه ناحیه فعالیت - منزل، محل کار و جاهای دیگر - که بر سه خوشه محل و داده ­های بلوتوث مطابقت دارد اشاره دارد.
آنها اولینHMM در برای هر دو ساعت از روز و یک روز از هفته (روزهای هفته یا ​​تعطیلات آخر هفته) ساختند و گزارش دقت بیشتر از ۹۵٪ بعد از آموزش مدل در یک ماه را دادند. در تشخیص فعالیت­های حرکتی، فعالیت­های کاربر بشکل انتزاعی به عنوان یک حالت حرکت و یاحالت های جابجایی در نظر گرفته می­ شود.
محل­های حرکت خاص می ­تواند با بهره گرفتن از سیگنالهای سلولی حتی بدون هیچ آگاهی در مورد محل برج­های سلولی شناسایی شود. برای مثال، نوسانات سیگنال­های GSMکه به طور مداوم نشان داده می­ شود برای تعیین اینکه آیا حامل تلفن همراه در حال راه رفتن، رانندگی در یک ماشین یا ایستادن است، با دقت ۸۰٪ -۸۹ ٪ کافی است .شتاب سنج تعبیه شده در گوشی­های سالهای اخیر می ­تواند در خدمت همان هدف و بیشتر برای تشخیص حرکات ظریف مانند نشستن، ایستادن و یا در حال راه رفتن مورد استفاده قرار می­گیرد. البته برخی از مسائل مربوط به حریم خصوصی در ارتباط وجود دارد برای پیگیری رفتار مردم به طور مداوم از طریق گوشی­های تلفن همراه خودشان وجود دارد. یکی ازموانع توسعه تلفن همراه مبتنی بر تشخیص فعالیت هدف قرار دادن فعالیت­های ظریف می­باشد.
به طور کلی، تشخیص فعالیت­ها شامل اجتماع نخواندن اطلاعات حسگر و دیگر ورودی­ ها با برخی از برچسب­های گرفته شده از مجموعه ­ای از فعالیت­های تشخیص داده شده است.
بنابراین این کار شامل(الف) تعیین مجموعه ­ای از فعالیت های مورد نظر و ( ب) اختصاص خواندن حسگر و دیگر ورودی های به فعالیت مناسب. ما در بخش قبلی دیدیم که تکنیک­های آماری ماشین­های یادگیری در انجام مرحله دوم از این روند بسیار موفق شده ­اند. سیستم­های تشخیص فعالیت برای تلفن­های موبایل، دستیابی با دقت نسبتا بالا را می­طلبد، اما تنها برای پرداختن به یک مجموعه کوچک از فعالیت­های درشت دانه (و نه فعالیت­های ظریف).
در نتیجه، پیش ­بینی می­ شود بسیاری از برنامه ­های کاربردی در ابتدا نمی ­توانند به درستی اجرا شوند. برای مثال، یک دفتر یادآوری به صورت خودکار قادر به تشخیص قرارملاقات­هایی که کمتر در محیط دفتراتفاق می­افتند، نمی ­باشد. در بسیاری از موارد، مکان­های ناهموار به عنوان جایگزین برای فعالیت­ها عمل می­ کنند. مشکل برای کاربردهای بالقوه این است که این تقریب­ها می ­تواند کاملا نادرست باشند. به عنوان مثال، ماندن در خانه آنچه که کاربردر حال انجام دادن آن است را به ما نمی­گوید و در محل کار بودن معادل کار کردن نیست. تشخیص فعالیت­های مناسب دشوار است به۲ دلیل: اول، سخت افزار تلفن همراه به سرعت در حال تکامل می­باشد. به عنوان مثال، برخی از فرصت­های جدید باز خواهند شد اگر استاندارد تلفن های همراه به RFID مجهز شود. در مرحله دوم، پتانسیل برنامه ­های کاربردی برای تلفن همراه که مبتنی بر تشخیص فعالیت هستند بسیار متنوع می­باشد.
فصل چهارم
نتایج و تفسیر آنها
۴-فصل چهارم: نتایج و تفسیر آنها
۴-۱-مقدمه
در سال­های اخیر همگام با فن­آوری­های سطح بالای در حال توسعه، تلفن­های هوشمند به نسل جدیدی از تلفن­های همراه تبدیل شده ­اند.گوشی­های تلفن همراه شامل حسگر­های بسیاری از قبیل دوربین، میکروفن، حسگر نور، حسگر دما، حسگر شتاب سنج، GPS ، حسگر جهت­یابی، حسگر میدان مغناطیسی، حسگرهای فشارسنج، حسگرهای مجاورت (نوعی از حسگر­ها که قادر به تشخیص وجود اجسام نزدیک بدون هیچ­گونه تماس فیزیکی است و همچنین از آنجایی که صفحه نمایش لمسی که به لمس حساس هستند، این حسگر عمل خاموش کردن صفحه نمایش لمسی را در هنگام مکالمه انجام می­دهد چرا که در صورت روشن بودن صفحه نمایش در صورت لمس با هر کدام از اعضای بدن امکان یک عمل مکانیکی در گوشی فراهم می­ شود) می­باشند. در دسترس بودن این حسگرها فرصت­های هیجان انگیز جدیدی را برای برنامه ­های کاربردی مبتنی بر حسگر در بازار ایجاد کرده است .پروژه ما یک برنامه مبتنی بر حسگر برای اندروید است، که بشکل منبع باز است^[۳۱]. ما از حسگر شتاب سنج برای شناسایی و ردیابی فعالیت­های فیزیکی که یک کاربر مانند راه رفتن، دویدن، دوچرخه سواری، نشستن، ایستادن، رفت و آمد در یک وسیله نقلیه استفاده می­کنیم. این کار شناختن فعالیت یا آشکار سازی فعالیت نامیده می­ شود.شناختن فعالیت را می­توان با تجزیه و تحلیل داده ­های شتاب سنج و GPS به دست آورد.
۴-۲-جمع­آوری داده ­ها
ما سیستم ردیابی موقعیت را در پلت­فرم اندروید اجرا خواهیم کرد. اندروید یک سیستم­عامل تلفن همراه منبع باز است که در برهسته لینوکس بنا شده است. SDK پلاگینی در آن است که بر روی Eclipse نصب شده است. کیت توسعه
نرم­افزار آندرویدSDK) ) شامل مجموعه ­ای جامع از ابزار توسعه می­باشد که این خود شامل یک مفسر^[۳۲]، کتابخانه ­ها،
شبیه­ساز گوشی، اسناد و مدارک، نمونه کد و آموزش می­باشد.آندروید SDK دارای یک چارچوب جاوا و با پشتیبانی یک API قدرتمند برای سخت افزارهای جاسازی شده در تلفن­های هوشمند می_­باشد.شکل ۴-۱ این لایه ­ها توضیح
می­دهد:
۴-۳-تولید داده ها
در فاز اول این پروژه یک سیستم که با بهره گرفتن از حسگرهای مبتنی بر تلفن به شناختن (آشکارسازی) فعالیت می ­پردازد، طراحی شده است. این سیستم جمع­آوری داده_­ها، برای پیگیری فعالیت­های کاربر با بکارگیری حسگرهای موجود در تلفن­های هوشمند پیاده­سازی شده است. در این پروژه مقادیری را که از شتاب­سنج بدست آمده ارزیابی می­کنیم. سیستم اطلاعات لازم برای پیگیری فعالیت­های کاربر نظیر راه رفتن، نشستن، ایستادن، دویدن و دوچرخه­سواری را به عنوان فعالیتی ترکیبی جمع­آوری می­ کند.این سیستم در تلفن­های هوشمند اندروید اجرا و میزان دقتی بررسی می­گردد.