情境感知源于普適計算領域,情境感知最早由Schilit等人[1]于1994年提出,自情境感知被提出以來,大量基于情境感知技術的研究與應用如雨后春筍般不斷涌現,近年來,越來越多的研究人員正致力于將情境感知技術與其他領域的熱門技術相結合來解決與人們日常生活密切相關的熱點問題,如無人駕駛等。同時,隨著社交網絡、移動互聯網等技術不斷向前發(fā)展,人們對于智能手機的依賴程度日益增加[2],對于智能手機的過度依賴正使得相當一部分人群面臨因使用手機而產生的潛在人身意外傷害的威脅�；谝陨峡紤],本文使用情境感知技術來進行手機使用過程中的意外預防方法研究與系統(tǒng)實現�；谇榫掣兄M行手機使用過程中的意外預防方法研究是一個較高層次的問題,本文將手機使用過程中的意外預防方法研究劃分為三個子問題,即人體行為感知子問題、空間位置感知子問題以及交互方式感知子問題。人體行為感知子問題指感知到手機持有者當前正在進行的行為類型,有別于傳統(tǒng)的人體行為識別問題,本文中更關注手機持有者在不同的手機持有方式下的行為類型�？臻g位置感知子問題指感知手機持有者是否處于易發(fā)生意外傷害的危險區(qū)域。交互感知子問題指感知手機持有者與手機的交互方式進而判定手機持有者是否處于手機使用過程中。對于手機使用過程中的意外預防方法研究將基于多個子問題的輸出進行。對于人體行為感知子問題,本文基于隨機森林和神經網絡進行了實驗,并在對比了實驗結果之后選取隨機森林模型對人體行為感知子問題進行求解。人體行為感知子問題求解所需數據均采集自智能手機的內置傳感器,本文使用Nexus 5X智能手機作為數據源,每條行為數據包含三軸角加速度、三軸加速度、經度、緯度8種屬性,采集到在不同手機持有方式下(手機位置、屏幕朝向、頭部朝向等)包含步行、騎行、駕駛汽車等行為的行為數據共計400000條,其中包含32種分類標簽,所有行為數據均在數據采集階段進行了一定程度的去噪聲處理,一定程度上保證了數據的質量與高可用性�；诓杉降男袨閿祿䦟﹄S機森林模型進行訓練、優(yōu)化、分析與評價等工作,最終得到的模型對于32種標簽的分類準確率達96%左右,表現出良好的分類效果與高可用性。對于空間位置感知子問題,本文基于手機持有者的空間位置軌跡與路網信息進行了實驗,一方面關注手機持有者當前的空間位置與路網中某條路段的絕對距離,另一方面關注手機持有者當前一段時間內的空間位置軌跡與路網中某條路段的匹配程度,通過二者的加權輸出來對手機持有者是否位于可能具有發(fā)生意外傷害的區(qū)域給出判斷。對于交互方式感知子問題,本文基于智能手機操作系統(tǒng)提供的API對手機持有者的觸控屏幕等操作進行監(jiān)聽,對手機持有者是否正在與手機進行交互以及以何種方式進行交互給出判斷。本文基于三個子問題的輸出構建了手機使用過程中的意外傷害識別及預防模型,并在最后應用此模型實現了一個能夠實時對手機持有者可能導致意外傷害發(fā)生的手機使用行為進行警示的意外傷害預防系統(tǒng)。
【學位單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TN929.53
【部分圖文】：

圖 1 - 1 人體行為識別基本流程圖來對應用進行控制，如體感游戲；分析領域而獲得更有價值的信息，如監(jiān)測人體健康狀覺的人體行為識別方法研究從流程上來說大、特征提取與表征以及基于分類算法進行行割即從視頻流的每一幀或是圖片分割出我中即人體本身，同時，根據視頻或圖片的視角又有所區(qū)分。在視頻或圖片的視角固定的的策略，背景剪除被用于從固定視角下的視，因此背景剪除的要求也相當嚴格，除了在視之外，背景必須不包含任何運動物體。在基于陸續(xù)續(xù)有許多研究人員提出多種基于背景剪出的基于高斯平均的背景剪除、Seki 等人[2等。在視頻或圖片的視角處于移動狀態(tài)的情

互方式感知子問題，通過求解子問題以利用子問題的輸出，從而種因使用手機而引發(fā)的危險情境下這一命題的是與否增加可信文的研究工作將自下而上的逐層解決，本文的研究框架如圖 1-的主要研究內容自下而上地具有四個層次，分別是數據感知層、危險情境識別層以及應用層。數據感知層是整個研究的入口，進有數據都源于數據感知層，其任務是基于智能手機內置的傳感境感知所需要的數據，同時，在采集數據并上傳至服務器前加入施，從源頭上去除因動作切換等因素造成的數據噪聲。危險情境數據感知層收集到的具有原始格式的信息轉換為本文研究所關于人體行為數據其格式包含了三軸加速度、三周角加速度，對于含了用戶當前所在位置的經緯度信息，對于交互數據其記錄了互而觸發(fā)的事件，危險情境感知層需要根據求解的子問題的不理及特征提取等操作。危險情境識別層的任務是將危險情境感輸出作為輸入來對用戶是否處于危險情境下給出判斷。應用層識別的結果來完成對用戶進行危險檢測以及意外傷害防護等上層

進行分解：1) 人體行為上。廣義上的人體行為包括步行、跑步、站立等多個類別，但就本文研究的問題而言，僅關注廣義上的人體行為是不夠的。如圖2-1所示，從廣義的人體行為上來看圖中僅包含兩種行為分別是站立和步行，但需要注意到行人在步行過程中持有手機的位置以及方式因人而異，本文的研究及系統(tǒng)開發(fā)均基于智能手機的傳感器數據進行，不同的手機持有方式會對數據產生非常明顯的影響。因此，相較于對廣義上的行為類別進行區(qū)分，本文將人體行為識別定義為識別不同的廣義行為類別以及對同種廣義行為類別下手機的不同位置及方向進行區(qū)分，試想對于兩個同時在步行的行人而言，相較于將手機放在口袋中步行的行人，我們顯然可以認為將手機放在面前瀏覽的行人更有可能處于因使用手機而引發(fā)的危險情境下。具體
【參考文獻】

相關期刊論文 前4條

1 陳龍彪;李石堅;潘綱;;智能手機:普適感知與應用[J];計算機學報;2015年02期

2 林闖;蘇文博;孟坤;劉渠;劉衛(wèi)東;;云計算安全:架構、機制與模型評價[J];計算機學報;2013年09期

3 馬友忠;孟小峰;姜大昕;;移動應用集成:框架、技術與挑戰(zhàn)[J];計算機學報;2013年07期

4 楊元喜;;北斗衛(wèi)星導航系統(tǒng)的進展、貢獻與挑戰(zhàn)[J];測繪學報;2010年01期

本文編號：2842644