====== Wykrywanie aktywności użytkownika ======

===== Octave =====

==== Analiza danych ====
Napisz program zapisujący dane z akcelerometru do bazy SQLite (mozesz tez przerobic program: [[https://ai.ia.agh.edu.pl/wiki/_media/pl:dydaktyka:aml:prv:projects2016:amlactivityrecognition.zip|Wykrywanie Aktywnosci]])
Aby zapisać bazę danych w pamięci urządzenia, wykorzystaj poniższy kod.
  * Pamiętaj żeby dodać odpowiednie ''uses-permission'' do manifestu
  * Jeśli z poziomu systemu operacyjnego nie będzie dostępu do pamięci urządzenia, spróbuj zapisać bazę danych w katalogu ze zdjęciami i np. wysłać ją sobie z telefonu mailem.

Ustalmy że:
  * Baza danych będzie nazywać się **acc**, tabela przechowująca dane, również **acc**
  * Będzie zawierać 4 kolumny: **id, acc_x, acc_y, acc_z**

<code java> 
try {
  File sd = Environment.getExternalStorageDirectory();
  File data = Environment.getDataDirectory();

  if (sd.canWrite()) {
    String currentDBPath = "//data//" + context.getApplicationContext().getPackageName() + "//databases//"
                            + DataBaseHelper.DATABASE_NAME;
    String backupDBPath = DataBaseHelper.DATABASE_NAME;
    File currentDB = new File(data, currentDBPath);
    File backupDB = new File(sd, backupDBPath);

    FileChannel src = new FileInputStream(currentDB).getChannel();
    FileChannel dst = new FileOutputStream(backupDB).getChannel();
    dst.transferFrom(src, 0, src.size()); 
    src.close();
    dst.close(); 
  }
} catch (Exception e) {
    e.printStackTrace();
}
</code>

=== Import do Octave/Python===
  - Zaimportuj dane z odczytów do Octave:
    * W tym celu otwórz bazę danych w SQLite: <code bash> sqlite3 acc.db</code>
    * Ustaw separator danych na tabulator <code sqlite> .mode tabs </code>  albo na przecinki  <code sqlite> .mode csv </code> 
    * Ustaw wyjscie z SQLite do pliku: <code sqlite> .output 'dane.dat'</code>
    * Wrzuć dane z trzech osi do pliku: <code sql>select acc_x, acc_y, acc_z from acc;</code>
  - Następnie otwórz Octave i zaimportuj dane do zmiennej **Acc**:
    - <code octave>Acc = load('dane.dat');</code>
    - <code python>df = pandas.read_csv('dane.dat',sep='\t');</code>



=== Określenie parametrów danych ===
  - Przyglądając się wykresom wyodrębnij cechy które twoim zdaniem mogą mieć wpływ na rozróżnienie poszczególnych aktywności użytkownika takich jak:
    - stanie
    - chodzenie
    - bieganie
    - siadanie
    - wstawanie
  - Spróbuj określić aktywność na podstawie maksymalnej i minimalnej amplitudy oraz średniej amplitudy w oknie czasowym o długości np. 3 sekund.
  - Zapoznaj się (pobieżnie) z artykułem: {{:pl:dydaktyka:aml:activity-recognition-phone.pdf| Activity recognition}} i zastanów się, czy możesz zastosowac którys z opisanych algorytmów do swoich danych
  - Możesz też wykorzystać "gotowiec" z poprzedniego semestru: https://drive.google.com/file/d/1-8bU3wu5oPP2ybIuyFskIvBwNIIN6eWz/view (Sekcja "Dane to wszystko"






===== Android=====
  - Android API oferuje wbudowaną klasę do wykrywania aktywności o nazwie //ActivityRecognition//.
  - Pobierz przykładową aplikację wykorzystującą tą klasę: [[http://developer.android.com/shareables/training/ActivityRecognition.zip|Activity recognition]] i zapoznaj się z kodem źródłowym. Opis kodu źródłowego znajduje się [[http://developer.android.com/training/location/activity-recognition.html|tutaj]]
  - Przetestuj działanie aplikacji. Czy klasę można byłoby udoskonalić o analizę danych z akcelerometru jak w pierwszym zadaniu z laboratorium?