转自：博世传感器
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。
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。
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储和处理。实际上，这会为用户带来巨大的数据费用，用户的设备当然要连接互联网，无线网络、蓝牙或4G模块的费用不可避免地将进一步提升设备成本。
更糟糕的是，在非城市地区，3G网络的访问效果通常不理想，例如徒步旅行、骑自行车或游泳时。这种对云端的大量数据传输的依赖会使更新变慢，并且需要定期同步，从而大大抵消人工智能运动分析带来的实际益处。与之相反，仅在设备的主处理器上处理这些操作会明显导致耗电量的增加，并且减少其他应用的执行周期。同理，将所有数据都储存在设备上会增加存储成本。
化圆为方
图上：活动分类的功能流程（来源Bosch Sensortec）
此外，所选择的数据捕获速率可以显著影响所需的计算和传输量。通常来说，50Hz采样率对于正常的人类活动就足够了。但在对快速移动的活动或运动进行分析时，需要200 Hz的采样率。同样地，为了取得更快的响应时间，可以安装2 kHz单独加速计来确定用户目的。
为了迎接这些挑战，低功耗或者应用特定传感器集线器可以显著降低分类引擎所需的CPU周期。比如Bosch Sensortec的BHI160和BNO055两个产品就是这种传感器集线器。相关软件可直接以不同的传感器数据速率直接生成融合后的传感器输出。
图左：智能传感器集线器BHI160：用于活动识别的低功耗智能集线器，专为持续运动传感而设计。
图右：应用特定传感器节点 BNO055：智能9轴“绝对定位传感器”在单个封装中将传感器和传感器彼此融合。
对待处理特征的初始选择随后会极大地影响训练模型的大小、数据量以及训练和执行内联预测所需的计算能力。因此，对特定活动分类和区分所需的特征进行选择是一项关键的决定，同时也很可能是重要的商业优势。
回顾我们上文提到的UCI机器学习数据库，其拥有561个特征的完整数据集，使用默认的LibSVM内核训练的模型进行活动分类的测试准确度高达91.84％。然而，完成培训和特征排名后，选择最重要的19项功能足以达到85.38％的活动分类测试准确度。经过对排名进行仔细检查，我们发现最相关的特征是频域变换以及滑动窗口加速度原始数据的平均值、最大值和最小值。有趣的是，这些特征都不能仅仅通过预处理实现，传感器融合对于确保数据的足够可靠性十分必要，并因此对分类尤为实用。
结论
总而言之，科技发展现在已经达到在便携式设备上运行高级人工智能来分析运动传感器的数据的程度。这些现代传感器以低功耗运行，而传感器融合和软件分区则明显提高了整个系统的效率和可行性，同时也大大简化了应用程序开发。
为了补充传感器的基础架构，我们利用开源库和最佳实践来优化特征提取和分类。
为用户提供真正的个性化体验已成为现实，通过人工智能，系统可以利用由智能手机、可穿戴和其他便携设备的传感器所收集的数据，为人们提供更多深度功能。未来几年，一系列现在还难以想象的设备和解决方案将会得到更多发展。人工智能和传感器为设计师和用户打开了一个充满了激动人心的机会的新世界。
联系客服
