一种基于可穿戴设备的无监督室内/室外场景探测方法

作者周楠树,赵甦,王海洋机构上海交通大学电子信息与电气工程学院区域光纤通信网与新型光通信系统国家重点实验室;上海市电力公司信息通信公司发表期刊《计算机应用研究》预排期卷2017年第34卷第8期访问地址http://www.
arocmag.
com/article/02-2017-08-070.
html发布日期2016-12-2217:42:20引用格式周楠树,赵甦,王海洋.
一种基于可穿戴设备的无监督室内/室外场景探测方法[J/OL].
[2016-12-22].
http://www.
arocmag.
com/article/02-2017-08-070.
html.
摘要提出了一种基于多传感器可穿戴设备的无监督室内/室外场景的区分方法.
首先,该方法对多维的传感数据进行时间序列建模,通过分析该时间序列挖掘出场景切换的模式并对该时序数列进行分段分析;接着,建立相似性测量模型对每个分段时间序列进行室内/室外场景相似度计算,根据计算的结果识别出室内/室外场景.
通过实验分析,该方法室内/室外场景区分准确度高达90.
1%,相较于其他方法准确度提高了13-33%.
该方法无须对数据人工标记,实现了较高的场景区分准确率,适用于大规模数据采集场景.
关键词室内/室外探测,可穿戴设备,场景切换模式,相似性测量中图分类号TP274.
5基金项目优先出版计算机应用研究第34卷作者简介:周楠树(1991-),男,湖北麻城人,硕士研究生,主要研究方向为物联网场景挖掘与分析(zhounanshu@sjtu.
edu.
cn);王海洋(1990-),男,博士研究生,主要研究方向为时空数据挖掘与分析.
一种基于可穿戴设备的无监督室内/室外场景探测方法周楠树1,赵甦2,王海洋1(1.
上海交通大学电子信息与电气工程学院区域光纤通信网与新型光通信系统国家重点实验室,上海200240;2.
上海市电力公司信息通信公司,上海200122)摘要:提出了一种基于多传感器可穿戴设备的无监督室内/室外场景的区分方法.
首先,该方法对多维的传感数据进行时间序列建模,通过分析该时间序列挖掘出场景切换的模式并对该时序数列进行分段分析;接着,建立相似性测量模型对每个分段时间序列进行室内/室外场景相似度计算,根据计算的结果识别出室内/室外场景.
通过实验分析,该方法室内/室外场景区分准确度高达90.
1%,相较于其他方法准确度提高了13-33%.
该方法无须对数据人工标记,实现了较高的场景区分准确率,适用于大规模数据采集场景.
关键词:室内/室外探测;可穿戴设备;场景切换模式;相似性测量中图分类号:TP274.
5Unsupervisedmethodforindoor/outdoordetectionbywearabledeviceinenvironmentalsensingZhouNanshu1,ZhaoSu2,WangHaiyang1(1.
AdvancedOpticalCommunicationSystems&Networks,ShanghaiJiaoTongUniversity,Shanghai200240,China;2.
SchoolofElectronicInformation&ElectricalEngineering,ShanghaiJiaoTongUniversity,Shanghai200240,China)Abstract:Inthispaper,wepresentanunsupervisedmethodforindoor/outdoor(IO)detectioninenvironmentalsensingviawearabledevicesequippedwithmultiplesensors.
Firstly,themethodconstructsthecontextmodelonmulti-dimensionaltimeseriessensordata.
Andthecontextswitchingpatterns(CSP)arecapturedfromtheperspectiveoflocaltrendsresultedfromIOcontextswitching.
Secondly,asimpleyetefficientmodelisbuilttomeasurethesimilaritybetweenamulti-dimensionaloutdoorreferencetimeseriesandthesensordatacollectedbyourwearabledevices.
Asaresult,thedatacanbeclassifiedintoindoorandoutdoorcategoriesbyourmodel.
Wevalidateourmethodinarealenvironmentwithoursensors.
Theresultshowsthattheclassificationaccuracyofourmethodisabout90.
1%whichis13-33%betterthanotheralternatives.
Themethoddoesn'trequiremanuallylabeledtrainingdatasets.
Itachievesclassificationwithhighprecisionduringthelargescalecollection.
KeyWords:indoor/outdoordetection;wearabledevices;contextswitchingpattern;similaritymeasurement0引言目前基于可穿戴设备的实时环境测量已经被认为是一种成本低、效率高的测量方法.
由于可穿戴设备的便携性,人们可以随时随地通过装载有环境传感器的可穿戴设备实时感知周围的环境,为舒适健康的生活提供实时有效的指导信息.
这极大了弥补了传统监测站数据数据采集区域不均匀导致局部地区预报失误的问题.
传统的环境数据均采集于室外,而室内的数据相对缺乏.
例如,上海市气象局为市民提供天气信息服务,其数据来自部署在上海市各地区的气象自动站点.
这些自动均部署于室外某个固定地点,场景信息已知.
然而,可穿戴设备的移动性导致其采集的数据既包含室外的信息又包含室外的信息.
室外环境相对开阔,局部地区的环境在较短时间内较为稳定;而室内环境相对封闭且复杂,其容易受到室内的电器设备的影响.
这就使得基于室内、室外场景下的数据分析在模型建立、特征提取、环境特征量化等方面有所不同[1].
如果不对场景进行区分而将数据进行融合处理将会得到不可靠的测量结果[2].
因此,为了提供更为准确有效的环境信息,对不同场景下的环境信息的区分是一项十分必要的工作.
国内外许多学者对室内/室外场景感知问题进行了研究.
主要研究方法分为三类:基于传感器数值阈值规则的室内/室外场景识别的方法;基于监督和半监督机器学习分类的方法;基于知识辅助多源的数据融合方法.
文献[3~5]利用多种传感器探测室内/室外场景中典型信号强度不同的特征,对室内/室外场景进行区分.
文献[6~8]利用室内/室外GPS信号判断设备的位置,或者在室内安装蓝牙信标,对设备的位置进行判定.
文献优先出版计算机应用研究第34卷[9~11]充分利用GPS信号强度作为室内/室外场景区分的唯一标准,但是在实验过程中识别的可靠性底,而且具有较大延时.
这些文献中均采用基于传感器数值阈值规则的室内/室外场景识别的方法,这种方法的局限性在于设置阈值的方法固定,缺乏灵活性,不适用于移动场景下的场景识别.
文献[12~14]采用监督或者半监督的机器学习分类方法对场景进行区分,但是其应用只能是在某些特定的场合,并不适用于移动的场景.
Edelev等人[15]提出了一种在电子学习的场景下的基于知识辅助的多源的数据融合方法对室内/室外场景进行识别.
然而,该方法受具体场景的限制,并不能够解决本文在大规模场景下的数据采集场景区分的问题.
良好的室内/室外场景探测的方法应该具有良好的鲁棒性,同时能够适应不同的环境.
目前在室内/室外场景识别领域主要存在两个挑战:a.
由于环境的复杂性,室内/室外场景特征的提取具有未知性;b.
在开放的环境条件下,许多表征环境的特征充满变化性,仅仅依赖于传感器的表征数据具有其局限性.
例如,[12]根据室内外温湿度的不同区分室内、室外场景,当室内存在诸如空调等对温湿度有影响的电器工作时,该指标无法保证室内区分室内/室外场景识别的精度.
受到基于知识辅助多源的数据融合方法的启发,本文提出了一种基于可穿戴设备的无监督的室内/室外场景识别的方法.
本文利用温湿度在场景切换时产生的变化作为场景探测的研究点,对温湿度传感器数据进行时间序列建模.
通过分析多维度传感器时间序列的梯度变化,探测出场景变化的边界点.
显然,相邻边界点之间的子时间序列包含的测量信息点具有相同的场景信息.
通过对子时间序列进行与室外场景相似进行计算分析,从而对构成该子时间序列的传感器数据进行场景区分.
本文主要贡献在于:本文提出了一种基于可穿戴设备的无监督室内/室外场景区分的方法;针对多维环境时间序列边界点的检测,本文设计了一个场景识别的算法,并将该算法运用到室内/室外场景识别方法中,该算法能够很好地识别出场景切换的边界点;本文提供了一种场景相似性计算的模型,该模型通过比较可穿戴设备的传感器数据时序模型与室外场景时序模型的相似性识别出可穿戴设备传感器数据的场景信息.
1问题定义虽然许多传感器采集的数据均能够作为室内/室外场景识别的指标,但是如果将数量众多的传感器均用在室内/室外场景识别的探测方法中会造成诸如存储和计算资源的浪费.
文献[6,7]已经证明某些传感器在场景识别方面存在其不足.
尽管在某些场景下,这些传感器能够起到一定的识别作用,但是识别效果有限.
本文中主要运用温湿度传感器和GPS传感器作为室内、室外场景识别的数据采集来源.
如图1所示,当室内、室外场景发生变化时,在较短时间内(图中显示30s内)温度和湿度有较为明显的变化.
本文主要运用温度和湿度作为场景转换识别的原始数据源.
一方面来自于哈佛大学公共环境健康学院的JLNguyen等人[15]证明了只有在天气温暖的状况下,室内和室外温度关系密切,而此时室外室内的湿度却差异较大.
另一方面,由于室内环境相对封闭,其受室内电器等室内因素的影响明显,而室外的环境开阔.
在较短时间内环境稳定[16].
图1展示了当室内室外场景发生变化时,温、湿度数据的梯度变化较大,这可以很好表征室内、室外场景的切换状态.
另外,温湿度和人们的生活健康息息相关,具有良好的生活指导意义.
图1室内/室外场景切换温湿度变化趋势在本文的工作中,本文将室内/室外感知问题定义为基于时间序列的模式匹配问题.
通过比对传感器数据时间序列与参考数据时间序列,识别出与参考数据具有相同场景信息的传感器数据,从而对传感器数据进行场景分类.
本文通过边界场景切换边界检测算法对多维时间序列进行分析,提取出传感时间序列边界点.
传感时间序列被边界点分割为若干子序列,通过计算子序列与参考序列的相似性确定传感序列的场景信息.
为了更加高效地对传感序列的场景进行识别,本文需要解决以下两个问题:(1)如何准确地检测出传感器数据时间序列室内、室外场景切换的边界点(2)采用何种模型对切分后的传感器数据时间子序列和参考时间序列作相似性分析为了使问题阐述更加清晰,本文作了以下两个定义:定义1多维时间序列.
一条多维时间序列定义为其中m表示时间序列的纬度,表示数据采集的时间点,n为m维时间序列的长度.
定义2多维子时间序列.
一条m维时间子序列S可表示为相同时间段每个维度传感数据子时间序列的组合.
该集合可以表示为,其中.
表示m维时间子序列的长度.
根据上述定义,本文对上述两个问题进行数学上的描述:问题1:给定多维环境传感数据时间序列每个维度的时间序列可以表示为其中,n表示单纬度时间序列的长度.
对于某个m维时间序列中两个连续的点和,两者之间的梯度可以由式子(1)给出.
对于某个点,其左梯度和右梯度均可按照式子(1)方法获取.
本文利用传时间序列和参考时间序列的绝对差值进行时序建模,通过场景切换边界检测算法对所建立的差值时序模型进行场景边界点检优先出版计算机应用研究第34卷测.
根据检测的边界点对原始的多维传感序列进行分段,将原始传感序列拆分成K段多维子时间序列.
(1)问题2:在问题1中,每个维度的时间序列被分割为K段单维度子时间序列.
每段单纬度时间序列均可表示成.
同时,定义参考环境时间序列为.
在本文研究的问题中,参考环境时间序列和可穿戴设备传感器时间序列具有相同的长度.
和的相似度用参数表示.
本文的下节内容将详细阐述如何通过模型计算该相似度.
当相似度,则认为传感器时间序列和参考的时间序列具有相同的位置场景信息.
其中,参数为全局的相似度参数期望.
为了能够识别室内/室外场景信息,本文首先识别由数据采集场景发生变化所导致的环境时序数列变化的点的特征,通过这些特征提取出室内、室外场景切换的临界点.
根据识别出的临界点将环境时间序列分成若干段段,每段包含相同的场景信息.
通过计算原始环境时间序列与参考环境时间序列之间的相似性,根据该相似性判断原始环境序列在不同时间段下的场景信息.
下节内容将详细阐述基于可穿戴设备的无监督场景识别的方法.
2研究方法2.
1概述本节本文首先介绍可穿戴设备数据采集系统.
其次,本文对基于多传感器可穿戴设备的无监督室内/室外位置场景检测的方法所采用的框架进行详细描述.
对于场景切换模式的识别,本文重点研究了单纬度时间序列场景边界的探测,并提出边界点的探测算法.
接着,将单纬度边界点的探测扩展至多维度边界点的探测.
当场景发生改变时,与之对应的传感器的数据发生变化,该变化由多维度的时间序列变化体现出来.
边界点将多维环境时间序列分割成场景信息相同的子序列.
本文通过分析子序列与参考序列的相似性以判断子序列的场景信息.
2.
2可穿戴设备信息采集系统针对室内/室外场景问题,本文开发了低功耗、可充电的可穿戴设备.
本文称该设备为"气象徽章".
同时,本文也开发了与之对应的数据采集系统.
如图2右下角所示,"气象徽章"装载温度、湿度和气压三种不同环境传感器,用以测量这3种指标.
温度和湿度由SHT21温湿度传感器测得.
该传感器测量范围为.
该环境范围内温度精度的典型值为最小为,最大为.
相对湿度的测量范围为,精度的典型值最小为,最大为.
同时,本文开发了不同颜色的"气象徽章",以满足不同喜好的志愿者的需求,让他们参与到环境数据采集的工作当中.
传感器和手机之间采用低功耗蓝牙通信技术.
被传输至手机的环境数据通过基站信号传输至云端数据库.
图2可穿戴设备和App界面传感器数据采集系统如图3所示.
当传感器采集到数据,其通过"气象徽章"上的蓝牙控制芯片将数据通过蓝牙协议发送至手机.
考虑到采集设备的耗能,"气象徽章"只采集环境数据,如图2,设备采集的数据以地图的方式展示给用户.
同时,发送至手机的数据通过App标记时间和地理位置信息.
通过"气象徽章"采集到的环境数据与其采集点的时空信息具有极其密切的关系.
当采集点的时间和地理位置发生变化,其结果也会有所变化.
为了减少时间和地理位置变化导致的影响,本文以这两个参数为参看环境数据的比对基准.
根据这两个参参数,本文从部署于上海市室外的气象站上抓取实时的信息,用于室内/室外场景识别的相似性计算和分析.
图3传感器数据采集系统2.
3场景转换模式识别本文关于场景识别模式的一个重要的依据为场景的变化导致某些环境特征的变化,通过识别这些特征变化的模式确定场景变化的边界.
如图1所示,当携带可穿戴设备的志愿者从室内走向室外,温度在短时间内下降迅速.
这可以从该点出温度的梯度变化检测出来.
为了减少由于地理位置变化引起的误差,本文采用室外参考环境和被检测传感器数据的绝对差进行时间序列建模.
根据定义1,由m个传感器序列建模m维时间序列可以由集合,.
同理,参考序列则可由集合,其中,.
这两组集合中,表示维度,表示时间序列的长度.
这样,传感序列和参考序列的绝对差值构成的序列由集合组成,其中,.
显然,既包含室内场景信息又包含室外场景信息.
詹艳艳等人[17]已经提出过一种针对时间序列的线性分段压缩表示算法,该算法通过计算时间序列相优先出版计算机应用研究第34卷邻两条折线的斜率差值以求取边界点.
当相邻两线段差的斜率大于设定阈值,则认为两条线段的连接点为两条线段所在的时间序列的边界点.
在本文的问题中,本文将相邻梯度差较大的点称为室内与室外场景切换的临界点,这些临界点的形成由场景切换造成.
根据第2节的定义,差分时间序列相邻某点的左右梯度的差值可以由式子(2)表示,当大于某个参数则认为该点为边界点.
由式子(4)得出,反映了时间序列在某点处的波动状况.
如图4所示,绿色线条为传感差值时间序列,红色线条为对应的梯度差值序列.
当传感差值时间序列变化越剧烈,对应的梯度差值越大.
(2)图4传感器差值序列与梯度差序列本文采用的方法和ZhouPengfei等人[5]的直接设定传感器读数阈值判断室内/室外场景的方法不同,本文的参数的选取更加灵活.
本文方法更加注重对时间序列的连续性分析,这样使得模型对传感器参数的敏感性更低,提高稳定性.
由式子(2)可知同样为时间序列,称之为梯度时间序列.
该时间序列反映了原始环境传感时间序列的变化的状态.
为了探测时间序列局部变化,本文利用加权平滑窗对梯度时间序列作平滑处理.
平滑窗的宽度由数据采集的频率决定.
例如,如果数据采集的频率为6HZ,本文希望知道梯度时间序列在一分钟的范围内是否存在场景切换边界点,那么滑动加权窗的宽度为10.
通过平滑处理,本文得到该梯度序列的局部标准差如式子(3)所示:(3)其中L为滑动加权窗的宽度,为梯度时间序列的纬度.
反映了时间序列的变化趋势,越小则时间序列局部变化越平缓,其为边界点的可能性越小.
为了提取场景切换的边界点,本文需要滤除平稳的点.
为增加区分度,本文采用指数函数对梯度序列进行加权.
显然,指数函数具有单调递增的特点,且其增速随着自变量的增加增长越快,这有利于过滤出方差大的序列.
当指数函数作用传感时间序列,其不同程度地增大了方差序列的幅度.
也即,当确定一个阈值作为分界点,指数加权的作用类似于一个高通滤波器,滤除局部方差较小的序列.
该过程的模型可以如式子(4)表示,其中为幅度调节系数.
k值的取值根据实际情况调节.
(4)考虑到维时间序列的纬度,本文对每个维度均进行上述的计算.
这样,本文就得到所有维度时间序列的边界点.
例如,多维时间序列由温度时间序列和湿度时间序列时组成,温度时间序列的边界点集合为,其中为满足边界点条件的时间点.
同理,湿度时间序列的边界点集合为,其中为边界点的时间戳的集合.
场景切换导致传感时间序列的变化包括温度时间序列和湿度时间序列.
这样,最终的室内/室外场景切换的边界点的集合的由集合得到.
因此,综合上述的分析,本文得到如算法1所描述的计算室内/室外场景切换边界点的算法.
显然,由此算法得到的边界点存在时间上连续的值,考虑到场景的变化的边界,本文取连续的点的第一个时间点为室内/室外的边界点.
这样,本文就可以把室内/室外的场景边界给区分开.
算法1场景边界点检测算法1:Input:2:m维环境差分时间序列3:时间序列滑动窗宽度;4:局部方差指数加权系数k;5:Output:6:多维环境时间序列室内/室外场景边界点集合;7:Foreachdo8:Foreachdo9:由式子(2)计算j维绝对梯度差分时间序列;10:Endfor11:Endfor初始化局部方差时间序列tstd;12:Foreachdo13:Foreachdo14:由式子(3)计算第j维绝对梯度差分序列滑动方差;15:Endfor16:Endfor17:初始化局部室内/室外场景边界集合cpoints;18:Fori=1;i4场景相似性计算当所有的室内/室外场景边界点别识别出来后,根据边界点将传感序列分为若干子序列.
显然,每段子序列中的所有元素拥有共同的场景信息.
为了识别场景信息,本文将子序列与室外场景序列进行对比.
为此,引入序列相似性来判断子序列场景信息为室内还是室外.
子序列可以表示为,其中,L为子序列的长度,L的大小由相邻两个边界点的距离决定.
同理,参考环境子序列可表示为,其中.
和具有相同的时间轴和长度.
和的相似度由式子(5)表示:(5)当传感器信息子序列与参考序列的相似性在某个范围,则认为传感器信息子序列和参考序列具有相同的环境信息.
本文利用每个维度的的全局相似度的期望作为相似度评判的标准.
本文认为室外局部地区的环境在较短时间内保持不变.
如果在传感信息子序列存在某些点处数据变化较大,则认为该子序列场景信息为室内.
也即,若,那么子序列场景信息为室内.
更好的方法可用于相似的计算,但是根据上述的思路,本文能够实现较高的场景识别精度.
对于更加复杂的实现方式是本文将来的工作内容.
3实验3.
1可穿戴设备数据采集为了验证提出方法的有效性,开发了一套环境传感器数据采集系统,并基于该系统开发了基于安卓和iOS平台的应用.
如图3所示,环境传感器采集系统通过可穿戴设备"气象徽章"采集数据.
为了降低数据传输的功耗,"气象徽章"和手机端之间采用低功耗蓝牙传输技术.
"气象徽章"采集数据的频率为6HZ.
该频率下采集到的数据能够很好地描述设备周围的环境.
在整个系统中,智能手机的作用类似于一个数据中转站.
采集的数据通过手机传送至云端数据中心.
采集的数据包括温度、湿度、气压、经纬度和数据采集的时间信息.
所有的数据经过清洗整合存贮在云端的MySQL数据库中.
超过40位志愿者参与到本文的数据采集实验中,测试的区域包括上海的各个区县.
数据采集工作时间为2016年5月17日至2016年7月26日.
本文的环境参考数据采集于分布于上海市区和郊区的自动气象站监测的实时信息.
自动气象站的信息采集频率为10分钟/次.
由于在室外环境小范围区域内环境较为稳定,自动气象站数据可作为较好的外部环境参考数据源.
自动气象站采集的数据指标包括温度、湿度、气压、能见度、风速、风向、地理位置以及数据采集的时间.
在整个上海市部署了超过200个自动气象站,覆盖区域广泛.
在本文的问题中,只采用感兴趣的数据指标,包括温度、湿度、地理位置和数据采集时间.
为了使参考数据源和可穿戴设备采集数据源能够在时间上同步,开发了基于地理位置和时间查询的数据采集系统.
当可穿戴设备采集数据录入数据库时,根据该条记录的时间和地理位置信息实时查询该采集点的外部环境信息并记录进数据库中.
最后,基于这两种数据源作场景识别分析.
3.
2结果评估3.
2.
1场景模式识别利用4.
1节中采集到的数据中提取校园的轨迹对场景边界点算法进行了验证.
首先,对采集的温度和湿度数据进行多维时间序列建模.
运用该算法,分别对温度和湿度时间序列的场景边界点进行探测.
探测结果如图4和图5所示.
由图4可以看出参考温度序列在短时间内变化较为平缓,其数据呈现阶梯状,而可穿戴设备探测温度曲线则波动较为明显,这与传感器位置变化而导致的场景变化有关.
根据图4中所示,在波动的拐点处检测的边界点越密集,说明密集处为场景边界点的可能性越大.
同样如图5所示,湿度波形的拐点处检测的边界点数据也更为密集.
由于图4和5均是单纬度下的边界点检测,检测结果的噪声比较多.
因此,为了过滤噪声,需要对多项环境指标的进行交叉验证从而滤除噪声.
图4温度时间序列边界点检测结果图5湿度时间序列边界点检测结果从图4和5中看出温湿度的噪声变化为非线性,而本文的检测方法从微观方面每次检测连续三个点的变化,是一种线性的检测.
因此,仅仅从单纬度观察数据,在边界变化处检测出多个边界点.
因此,单纬度检测并不能准确给出场景切换的边界点.
由算法1可知,多维边界点结合为各个单纬度时间序列点集合的交集.
图6和7展示了多维度温度和湿度时间序列的边界点.
从图中可知,距离每个几何意义上的拐点前面至多有6个连续的边界点.
这个与窗函数的宽度和传感器数据采集的频率有关.
在本实验中窗函数的时间宽度为60s,数据采集的频率为6Hz.
这样单个窗函数所包含的点为6.
当开始出现场优先出版计算机应用研究第34卷景变化时,单个窗加权结果有所增加.
图6多维温度时间序列边界点检测结果图7多维温度时间序列边界点检测结果考虑到边界点的唯一性,当边界点在时间上连续时,取连续的序列的第一个点作为传感序列的边界点.
最终场景边界点的检测结果如图8和9所示,方块标记为检测的边界点.
边界点将多维时间序列分割成若干子序列,每段子序列中每个元素的场景信息相同.
在进行相似性的计算,引入室外场景时间序列.
根据式(5),对每段时间序列进行分析.
子序列与参考序列的相似性长度小于其所在维度全局的相似长度时,认为该子序列采集与室外场景;反之,该数据为室内采集.
4.
2.
2节将对检测的结果进行评估.
图8温度序列场景边界点检测结果图9湿度序列场景边界点检测结果3.
2.
2准确率和F1-measure评估K-均值聚类[18]和谱聚类[19]是两种典型的无监督数据聚类方法,常用于数据的分类.
文献[13]利用K均值对场景数据进行聚类区分出室内/室外场景.
K-均值根据样本点到聚类中心的距离进行聚类;谱聚类根据样本间的相似关系建立矩阵进行聚类,适用于样本分组数量小的数据分类.
本文将对K均值聚类、谱聚类和第3节中提出的方法进行分析.
为了避免地理位置变化带来的影响,这三种方法采用的数据源均为传感器数据和参考数据的绝对差值.
本文从样本分类准确率和F1-Measure参数分别对这三种方法进行评估,这也是分类算法的常用评估方法.
在实验过程中,本文以包含室内场景信息为正样本,包含室外场景信息为负样本.
F1的计算方法如式(6)所示.
(6)其中:P为检测精确率,即被正确检测出的正样本数量占被检测出的正样本数量的比例;R为回召率,即被正确检测出的正样本占实际正样本的数量.
三种方法的分类结果如表1所示.
由表1可知本,K-均值方法具有最高的精确率,但回召率和F1参数最小,同时准确率最低;谱聚类方法具有最高的回召率,准确率介于K-均值和本文方法之间;本文提出的方法具有最高的准确率和F1参数.
表1结果评估方法准确率精确率回召率F1参数K均值56.
6%96.
6%46.
7%0.
630谱聚类76.
5%78.
4%96.
9%0.
867本文方法90.
1%91.
5%96.
5%0.
939同时,利用本文提出的方法对采集的数据进行分析,其得到的结果如图10所示.
该图中热力图表示在该点可穿戴设备在该点采集数据停留时间长度;浅蓝色轨迹表示数据采集者的室外轨迹,绿色轨迹表示数据采集者室内轨迹.
利用基于场景边界点检测的方法,检测出室内、室外的时间分布的条形图如图10所示.
由图可知,该方法具有较小的时间间隔误差.
图10室内/室外场景实测结果图优先出版计算机应用研究第34卷4结束语在本文中,提出一种无监督的基于可穿戴设备的室内/室外场景识别的方法.
通过对可穿戴设备进行多维时间序列建模.
利用场景切换边界点算法对每个维度的时间的变化趋势进行分析,获取到多维时间序列的场景切换边界点.
根据边界点将原始传感器时间序列分割成子时间序列,对每段子序列与参考序列进行相似性分析.
根据每段子时间序列相似性长度确定其场景信息.
最后,综合各个子序列的场景信息识别出原始时间序列的场景信息.
该方法无须人工对原始数据进行标记,适合在大规模数据采集场合.
通过对识别场景信息,为基于地理位置的上层应用提供重要的场景信息.
通过实验分析,该室内/室外场景识别的准确率高达90.
1%,相对于其他方法提高了13-33%.
在未来的工作中,将对考虑可穿戴设备的移动性进行深入研究.
参考文献[1]GiudiceNA,WaltonLA,WorboysM.
Theinformaticsofindoorandoutdoorspace:Aresearchagenda[C]//Procofthe2ndACMSIGSPATIALInternationalWorkshoponIndoorSpatialAwareness.
2010:47-53.
[2]MarinaMK,RaduV,BalampekosK.
Impactofindoor-outdoorcontextoncrowdsourcingbasedmobilecoverageanalysis[C]//Procofthe5thWorkshoponAllThingsCellular:Operations,ApplicationsandChallenges.
2015:45-50.
[3]YangZ,ShangguanL,GuW,etal.
Sherlock:micro-environmentsensingforsmartphones[J].
IEEETransonParallel&DistributedSystems,2014,25(12):3295-3305.
[4]FlynnJI,CoeDP,LarsenCA,etal.
DetectingindoorandoutdoorenvironmentsusingtheActiGraphGT3X+lightsensorinchildren.
[J].
Medicine&ScienceinSports&Exercise,2014,46(1):201-6.
[5]ZhouP,ZhengY,LiZ,etal.
IODetector:agenericserviceforindooroutdoordetection[C]//ProcofACMConferenceonEmbeddedNetworkSensorSystems.
2012:361-362[6]ZouH,JiangH,LuoY,etal.
BlueDetect:anibeacon-enabledschemeforaccurateandenergy-efficientindoor-outdoordetectionandseamlesslocation-basedservice[J].
Sensors,2016,16(2).
[7]AnagnostopoulosGG,DeriazM.
Automaticswitchingbetweenindoorandoutdoorpositionproviders[C]//ProcofInternationalConferenceonIndoorPositioningandIndoorNavigation.
2015.
[8]ConteG,DeMarchiM,NacciAA,etal.
BlueSentinel:afirstapproachusingiBeaconforanenergyefficientoccupancydetectionsystem[C]//ProcofACMInternationalConferenceonEmbeddedSystemsforEnergy-EfficientBuildings.
2015:1009-1013.
[9]WangH,SenS,ElgoharyA,etal.
Noneedtowar-drive:unsupervisedindoorlocalization[C]//ProcofInternationalConferenceonMobileSystems,Applications,andServices.
2012:197-210.
[10]ChintalapudiK,PadmanabhaIA,PadmanabhanVN.
Indoorlocalizationwithoutthepain[C]//Procof16thInternationalConferenceonMobileComputingandNetworking.
2010:173-184.
[11]RavindranathL,NewportC,BalakrishnanH,etal.
Improvingwirelessnetworkperformanceusingsensorhints[C]//ProcofUSENIXConferenceonNetworkedSystemsDesignandImplementation.
[S.
l.
]:USENIXAssociation,2011.
[12]EdelevS,PrasadSN,KarnalH,etal.
Knowledge-assistedlocation-adaptivetechniqueforindoor-outdoordetectionine-learning[C]//ProcofIEEEInternationalConferenceonPervasiveComputingandCommunication.
2015.
[13]RaduV,KatsikouliP,SarkarR,etal.
Asemi-supervisedlearningapproachforrobustindoor-outdoordetectionwithsmartphones[C]//ProcofACMConferenceonEmbeddedNetworkSensorSystems.
2014:280-294.
[14]PourGM,TropedPJ,EvansJJ.
EnvironmentfeatureextractionandclassificationforContextawarePhysicalActivitymonitoring[C]//ProcofSensorsApplicationsSymposium.
2013:123-128.
[15]NguyenJL,SchwartzJ,DockeryDW.
Therelationshipbetweenindoorandoutdoortemperature,apparenttemperature,relativehumidity,andabsolutehumidity[J].
IndoorAir,2014,24(1):103–112.
[16]JinM,ZouH,WeeklyK,etal.
Environmentalsensingbywearabledeviceforindooractivityandlocationestimation[C]//ProcofIndustrialElectronicsSocietyConference.
2014:5369-5375.
[17]詹艳艳,徐荣聪,陈晓云,等.
基于斜率提取边缘点的时间序列分段线性表示方法[J].
计算机科学,2006,33(11):139-142.
[18]MacqueenJ.
SomeMethodsforClassificationandAnalysisofMultiVariateObservations[C]//Proc.
ofBerkeleySymposiumonMathematicalStatisticsandProbability.
1967:281-297.
[19]ShiJ,MalikJ.
Normalizedcutsandimagesegmentation[C]//IEEETransonPatternAnalysisandMachineIntelligence.
1997:888-905.