Nghiên ứu xây dựng phần mềm nhận dạng hoạt động người sử dụng điện thoại trên hệ điều hành android

Trang 1 BỘ GIÁO DỤC VÀ ĐÀO TẠOTRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI--- KIỀU THẾ HƢNGNGHIÊN CỨU XÂY DỰNG PHẦN MỀMNHẬN DẠNG HOẠT ĐỘNGNGƢỜI SỬ DỤNG ĐIỆN THOẠITRÊN HỆ ĐIỀU HÀNH ANDROIDLUẬN VĂN THẠ

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

-

KIỀU THẾ HƯNG

NGHIÊN CỨU XÂY DỰNG PHẦN MỀM

NHẬN DẠNG HOẠT ĐỘNG NGƯỜI SỬ DỤNG ĐIỆN THOẠI

KỸ THUẬT VIỄN THÔNG

HÀ NỘI – NĂM 2018

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

-

KIỀU THẾ HƯNG

NGHIÊN CỨU XÂY DỰNG PHẦN MỀM

NHẬN DẠNG HOẠT ĐỘNG NGƯỜI SỬ DỤNG ĐIỆN THOẠI

LUẬN VĂN THẠC SĨ KỸ THUẬT

KỸ THUẬT VIỄN THÔNG

PGS.TS NGUYỄN VĂN ĐỨC

HÀ NỘI – NĂM 2018

LỜI CAM ĐOAN

MỤC LỤC

i

ii

iii

vi

vii

1

: H VI 3

1.1

1.2 4

1.3

n

: LIÊN QUAN 15

15

: 2

Android

3.7 K t qu th c nghi m trên thi t b 46 3.8

51

52

55

DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ

[22]. 11

Hình 2.3

ilter

Hình 3.5

Hình 3.6

Hình 3.7

Hình 3.8 D

Hình 3.9

Hình 3.10

DANH MỤC CÁC BẢNG BIỂU

phòng thí ngh

DANH MỤC CHỮ VIẾT TẮT

(WISDM)

 Nhận diện hành động

lên

 Chương 1: Tổng quan về giám sát hoạt động và phương pháp nhận

CHƯƠNG 1 TỔNG QUAN VỀ GIÁM SÁT HOẠT ĐỘNG VÀ PHƯƠNG

PHÁP NHẬN DẠNG HÀNH VI1.1 Tổng quan về giám sát hoạt động

[22]

Quá trình giám sát hành vi ng

[22]

1.2 Cảm biến

[22]

ánh sáng, microphone

Thân, tay áo tay áo trên trái

cảm biến gia tốc Cột tập dữ liệu quy định cụ thể dữ liệu được thu thập trong

1.3 Điện thoại thông minh

[22]

1.4 Công nghệ nhận dạng hành vi

1.4.1 Khái niệm phân lớp

1.4.2 Phân lớp dữ liệu

th

[25]

[25]

[25]

-NeaM)

Phân lớp:

Mtích ch p

Đánh giá: chính xác,

li u vào t p hu n luy n và t p ki m

tra

CHƯƠNG 2 GIỚI THIỆU MẠNG NƠRON TÍCH CHẬP VÀ CÁC GIẢI

THUẬT LIÊN QUAN2.1 Mạng Nơron

2.1.1 Giới thiệu về mạng Nơron

và cho m t tín hi

 u vào là các vector trong không gian p chi u ra là các vector

: vector tr ng s c a k t n i t node i c a l p vào t i node j c a l p n

: giá tr u ra mong mu n c a node k c a l p ra

Mô tả thuật toán [6]:

Bước 2: Lan truy u ra th c t

 T i node vào th i: (Input)

2.3.2 Chi tiết các lớp trong mô hình

pháp khác nhau, trong nghiên

Optimization [26]

2.4.1 Các giải thuật cơ bản

2.4.1.1 Gradient Descent

= 0 (2.21)

[26]

2.4.2.3 Adam

-

-[26]

2.4.3 Lựa chọn giải thuật Optimization nào?

[26]

CHƯƠNG 3 THỰC NGHIỆM VÀ ĐÁNH GIÁ

3.1 Giới thiệu TensorFlow

TensorFlow

TensorFlow có c

3.2 Giới thiệu phương pháp tạo dữ liệu huấn luyện nhận dạng hành động

người dùng của tập Actitracker

,

Chúng tôi chúng

tay

Hình 3.1 T rục tương đối cho người dùng thiết bị Android [1]

3.3 Thông tin về bộ dữ liệu

Hình 3.6 Dữ liệu được gắn nhãn “đứng” sau khi chuẩn hoá [3].

Hình 3.8 D ữ liệu được gắn nhãn “xuống cầu thang” sau khi chuẩn hoá [3].

Hình 3.10 Dữ liệu được gắn nhãn “chạy bộ” sau khi chuẩn hoá [3]

hàm def windows (data, size) t

ùng [4

Bảng 3.5 Nhận dạng hành động “xuống cầu thang”

Bảng 3.6 Nhận dạng hành động “lên cầu thang”

Bảng 3.7 Nhận dạng hành động “chạy bộ”

Bảng 3.9 Nhận dạng hành động “ngồi”

- Ba

TÀI LIỆU THAM KHẢO

1 Jennifer R Kwapisz, Gary M Weiss and Samuel A Moore (2010) Activity

Recognition using Cell Phone Accelerometers, Proceedings of the Fourth

International Workshop on Knowledge Discovery from Sensor Data (at

KDD-10), WashingtonDC

2 Gary M Weiss, Jeffrey W Lockhart, Tony T Pulickal, Paul T McHugh,

Isaac H Ronan, Jessica L Timko, Actitracker: A Smartphone-based Activity

Recognition System for Improving Health and Well Being - , (Working Paper.)

(17-19 Oct 2016)

3 Aaqib Saeed (11-04-2016): Implementing a CNN for Human Activity

Recognition in Tensorflow

http://aqibsaeed.github.io/2016-11-04-human-activity-recognition-cnn/

4 Aaqib Saeed: Deploying Tensorflow model on Andorid device for Human

Activity Recognition -

http://aqibsaeed.github.io/2017-05-02-deploying-tensorflow-model-andorid-device-human-activity-recognition/

5 Michael Nielsen (2015): Neural network and deep learning Book (Chapter 6)

http://neuralnetworksanddeeplearning.com/chap6.html

dụng cho bài toán nhận dạng biển số xe.

7 Jeffrey W Lockhart, Gary M Weiss (2014) The Benefits of Personalized

Conference on Data Mining, Society for Industrial and Applied Mathematics,

Philadelphia, PA, 614-622

8 Gary M Weiss, Ashwin Nathan, JB Kropp, and Jeffrey W Lockhart

Levels, Proceedings of the ACM UbiComp International Atelier on Smart

Garments and Accessories, Zurich, Switzerland

9 Jennifer R Kwapisz, Gary M Weiss and Samuel A Moore (2010) Activity

12(2):74-82., WashingtonDC

10 Shaun Gallagher (2014) Smartphone Sesnor Data Mining for Gait

11 Y LeCun and Y Bengio (1995)

Theory and Neural Networks MIT Press

12 Patrice Y Simard, Dave Steinkraus, John Platt, (2003),

International Conference on Document Analysis and Recognition (ICDAR),

IEEE

13 J Hertz, A Krogh, and R.G Palmer (1991), Introduction to the Theory of

Neural Computation, New York: Addison-Wesley

Artificial Neural Networks, 14th Reg Directorate of DSI (State Hydraulic

Works), Istanbul, Turkey

15 Steve Lawrence and C Lee Giles (2000), Overfitting and Neural Networks:

Conjugate Gradient and Backpropagation, International Joint onference on

Neural Networks, Como, Italy, July 24 27, 114 119, 2000

16 Nelson, M.C and Illingworth, W.T (1991), A Practical Guide to Neural

Nets, Reading, MA: Addison-Wesley

17 D.E Rumelhart; G.E Hinton and R.J Williams (1986), Learning internal

representations by error propagation, Rumelhart, D.E et al (eds.): Parallel

distributed processing: Explorations in the microstructure of cognition

(Cambridge MA.: MIT Press), 318-362

18 D Whitley, T Starkweather et C Bogart (1990), Genetic algorithms and

neural networks: optimizing connections and connectivity, in: Parallel

PHỤ LỤC CHƯƠNG TRÌNH

[4]

https://drive.google.com/file/d/1tfWf6o69Den7DI6-VTACOSmx9KUYObWn/view