جدول۴- ۲-فرمولهای تشخیص فعالیت بکارگرفته شده درمتلب[۵۲]
Sitting:
شکل۴- ۹-فایل csv خروجی متلب یرای حالت نشستن
Standing:
شکل۴- ۱۰-فایل csv خروجی متلب یرای حالت ایستادن
Walking:
شکل۴- ۱۱-فایل csv خروجی متلب یرای حالت راه رفتن
Jogging:
شکل۴- ۱۲-فایل csv خروجی متلب یرای حالت دویدن
On a car:
شکل۴- ۱۳-فایل csv خروجی متلب یرای حالت داخل ماشین بودن
در شکل­های بالا، فرمت یک فایل از داده ­های جمع­آوری شده دیده می­ شود. داده ­ها با دقت با برچسب زمان در ثانیه نوشته شده ­اند.در هر ثانیه، نرم­افزار ۲۴نمونه از مقادیر حسگر را ثبت می­ کند.این بدان معناست که ما هر نمونه را درهر ۴۱٫۶۶ میلی­ثانیه جمع­آوری کرده­ایم. ردیف داده ­ها متشکل از سیزده ورودی است.ما اقدام به برچسب­گذاری برای فعالیت­های فعلی کاربر کرده­ایم. این به طور مستقیم از حالت کاربر انتخابی از فهرست کشویی در رابط کاربر کپی

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

می_­شود. بعد از سه ورودی OrX، OrY، OrZ نشان­دهنده مقادیر حسگر چرخشی در آن زمان و ورودی­های AccX، AccY،AccZ مقادیر حسگر شتاب­سنج می­باشد.پنج ورودی آخر مقادیر جمع­آوری شده از حسگر GPS است. ما همچنین سرعت فعلی را از حسگر GPS را دریافت می­کنیم. دو راه جمع­آوری سرعت از کاربر وجود دارد. اول ما
می­توانیم این مقدار از تابع getSpeed ​​() که توسط کلاس مدیریت مکان ارائه می­ شود بگیریم. در مرحله دوم، ممکن است برای محاسبه این مقدار از تقسیم فاصله افقی بین هر دو نقطه انتخاب شده توسط فاصله طی شده در حرکت بین این دو نقطه استفاده شود. اولین روش برای اطمینان از اینکه نتایج قابل اطمینان برای فعالیت انتخاب شده است ترجیح داده می­ شود.
۴-۱۰-استخراج ویژگی
پس از استفاده از نرم­افزار جمع­آوری داده ­ها برای هر فعالیت، دقتGPS ممکن است به دلیل برخی از موانع فیزیکی (ساختمان، آب و هوای بارانی)خیلی کم باشد. دقتموقعیت GPS حتی می ­تواند مقادیری مانند۵۰متر باشد. این بدین معنی است که موقعیت بازگشت داده شده می ­تواند در درون یک دایره ۵۰ متری در مرکز محل فعلی باشد. که مقادیر برای نشستن دویدن می ­تواند برای تشخیص این فعالیت یکی باشد. پس از این که عوامل در نظر گرفته شد، GPS و حسگر چرخش برای شناختن فعالیت­های مختلف متوقف می­شوند.از سوی دیگر، حرکات پا با سرعت­های مختلف به
شتاب­سنج در شناختن فعالیت کمک می­ کند. بنابراین، تصمیم گرفته شد که تنها بر روی داده ­های شتاب­سنج تمرکز شود. برای اینکه قادر به تشخیص فعالیت به طور مداوم باشیم، از یک روش پنجره کشویی برای تقسیم سیگنال­های سری زمانی به توالی­های (دوره­ های) کوچکتر استفاده می­ شود. برای سیستم شناخت فعالیت، ویژگی­های مختلف یکی از پنجره­های دوم برای فشرده­سازی اطلاعات مورد­نظر در داده ­ها محاسبه شد. ویژگی­های محاسبه شده در جدول زیر نشان داده شده است. در مجموع، ۲۰ ویژگی­های استخراج شد. این استخراج در داخلMATLAB در M-file انجام می­ شود. فایلCSV ایجاد شده به عنوان خروجی نرم­افزار جمع­آوری داده ­ها بعنوان ورودی M-file است.
در زیر کدM-file ، ساخته شده در توابع MATLAB،Std ,Mean،FFT (محاسبه تبدیل سری فوریه گسسته)، حداکثر(Max)، حداقل(Min)، Xcorr (محاسبه ضرایب همبستگی XY، XZ،YZ ) که برای استخراج ویژگی­ها استفاده می­ شود در جدول پیوست شده، نشان داده شده است. ویژگی­ها برای هر پنجره برای هر تکرار از حلقه استخراج شده است. هر پارامتر به عنوان یک بردار در نظر گرفته می شود.در پایان استخراج از حلقه، این بردار­ها به شکل یک ماتریس ترکیب می­شوند.این ماتریس به عنوان ورودیMATLAB در نوشتن فایل CSV با بهره گرفتن از روشcsvwrite در نظر گرفته می­ شود. دراین روش یک فایلCSV شامل ویژگی­ها با عنوان ستون ایجاد می­ کند. سپس به تجزیه و تحلیل ساده­تر داده ­ها می ­پردازد. شکل زیر فرمت فایل CSV را نشان می­دهد. هر ستون نشان دهنده یک ویژگی در شکل زیر و مقادیر در هر سطر نشان دهنده یک پنجره می­باشد.مقادیر هر سطر در هر تکرار از حلقه درM-file محاسبه می­شوند.
در فایل ورودی اطلاعاتی از ویژگی­های تمام فعالیت­ها با هم ترکیب شده، این ممکن است برخی از دیدگاه ­ها در نظر گرفته شود. شکل بالا برخی از دیدگاه ­ها را نشان می­دهد. به عنوان مثال، به طور متوسط مقدار شتاب حاصل در هر پنجره برای هر یک از فعالیت­ها مقادیری از محدوده مقادیر آستانه خاص می­گیرد.

شکل۴- ۹-خروجی متلب برای تشخیص فعالیتهای پیاده روی-دوچرخه سواری-دویدن بر اساس کار تحقیقاتی [۵۳] در تشخیص فعالیت
در شکل بالا مناطق ۱، ۳، ۹ دوچرخه­سواری۴، ۶، ۸ نشان دهنده راه رفتن است در حالی که ۲، ۵ ،۷ نماینده دویدن است. با توجه به این شکل، طیف وسیعی از مقادیر داده ­های حاصله، شتاب متوسط ​​برای پیاده­روی کمتر از ۱۳ و بیشتر از۱۰٫۴ m/s2 است. حد پایین­تر از این مقادیر برای دویدن ۱۳ است. مقادیر داده ­های حاصل از شتاب متوسط ​​برای نشستن در شکل زیر نشان داده شده است.

شکل۴- ۱۰-خروجی متلب برای فعالیت های نشستن-ایستادن بر اساس کار تحقیقاتی [۵۳] در تشخیص فعالیت
شکل­ها نشان می­دهد که متوسط ​​مقادیر داده ­های شتاب سنج برای ایستادن نیز ممکن است در داخل دامنه مقادیر راه رفتن قرار گیرد. یکی دیگر از تقاطع­ها، محدوده بین نشستن و دوچرخه­سواری اتفاق می­افتد که به دلیل متوسط مقادیر شتاب ​​حاصل می­ شود. با این حال، انحراف استاندارد از داده ­های شتاب در درون یک پنجره برای راه رفتن و ایستادن، دوچرخه سواری و نشستن متفاوت است که در شکل زیر نشان داده شده است.

شکل۴- ۱۱-خروجی متلب برای فعالیت های نشستان-ایستادن-دویدن-دوچرخه سواری بر اساس کار تحقیقاتی [۵۳] در تشخیص فعالیت
در شکل بالا، انحراف استاندارد از داده ­های شتاب حاصل در درون یک پنجره برای ایستادن بین۰٫۱ و ۱ است در حالی که آن برای راه رفتن بین ۳ و ۵ می­باشد.در حالی که این مقدار واقعا کوچک، کمتر از ۰٫۱ برای نشستن و اگر آن را بزرگتر از ۱ بیابیم برای دوچرخه­سواری در نظر گرفته می­ شود.
۴-۱۱-شناسایی فعالیت
پس از جمع­آوری داده ­ها و استخراج برخی از ویژگی­های از این داده ­ها با بهره گرفتن از عملیات ریاضی ذکر شده در بخش استخراج ویژگی، ما بدنبال یک روش طبقه ­بندی برای شناخت فعالیت می­باشیم. مقادیری که از حسگر شتاب­سنج، آماده شده و در نتیجه این عملیات، بسیاری از مقادیر آستانه برای ایجاد یک درخت تصمیم ­گیری و نتیجه ­گیری در مرحله شناخت فعالیت ارائه شده است. شناخت فعالیت در این پروژه که بر اساس مقادیر حسگر شتاب­سنج است. مقادیر خروجی این حسگر­ها پردازش شده و با توجه به این مقادیر استخراج شده از فرایند پردازش تصمیم ­گیری می­ شود.
بطور شماتیک در درخت تصمیم گیری در شکل زیر الگوریتم تشخیص فعالیت نشان داده شده است.
شکل۴- ۱۲-درخت تصمیم گیری تشخیص فعالیت بر اساس کار تحقیقاتی [۵۳] در تشخیص فعالیت
در ذیل برای نمونه دستورات مربوط به حالت Driving که این دستورات مربوط به فاز آنالیز پروژه که توسط نرم­افزار متلب صورت گرفته است مشاهده می­ شود. پس از اینکه اطلاعات مربوط به حالت رانندگی در یک فایل اکسل در متلب بارگذاری شد، توسط دستورات زیر پارامترهای مورد نیاز محاسبه می­شوند.
نرم افزار جدید را بر روی گوشی Samsung S4 نصب کرده تا میزان عملکرد آنرا بسنجیم. در هر بار اعمال تغییرات میزان عملکرد باتری را مقایسه کرده و در پایگاه داده ذخیره می­کنیم. در آخر جدول زیر بدست آمده است:

Saving value(percent)
Saving Value(minute)
Instrument disabled
Rows