Różnice między wybraną wersją a wersją aktualną.
| Both sides previous revision Poprzednia wersja Nowa wersja | Poprzednia wersja | ||
|
pl:dydaktyka:aml:lab5 [2013/11/15 12:12] esimon [Analiza danych] |
pl:dydaktyka:aml:lab5 [2018/11/19 06:35] esimon [Analiza danych] |
||
|---|---|---|---|
| Linia 4: | Linia 4: | ||
| ==== Analiza danych ==== | ==== Analiza danych ==== | ||
| - | Napisz program zapisujący dane z akcelerometru do bazy SQLite. | + | 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. | 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: | Ustalmy że: | ||
| - | * Baza danych będzie nazywać się **acc** | + | * Baza danych będzie nazywać się **acc**, tabela przechowująca dane, również **acc** |
| * Będzie zawierać 4 kolumny: **id, acc_x, acc_y, acc_z** | * Będzie zawierać 4 kolumny: **id, acc_x, acc_y, acc_z** | ||
| - | <code java> | + | <code java> |
| try { | try { | ||
| File sd = Environment.getExternalStorageDirectory(); | File sd = Environment.getExternalStorageDirectory(); | ||
| Linia 25: | Linia 27: | ||
| FileChannel src = new FileInputStream(currentDB).getChannel(); | FileChannel src = new FileInputStream(currentDB).getChannel(); | ||
| FileChannel dst = new FileOutputStream(backupDB).getChannel(); | FileChannel dst = new FileOutputStream(backupDB).getChannel(); | ||
| - | dst.transferFrom(src, 0, src.size()); | + | dst.transferFrom(src, 0, src.size()); |
| src.close(); | src.close(); | ||
| - | dst.close(); | + | dst.close(); |
| } | } | ||
| } catch (Exception e) { | } catch (Exception e) { | ||
| Linia 34: | Linia 36: | ||
| </code> | </code> | ||
| - | ==== Import do Octave ==== | + | === Import do Octave/Python=== |
| - | Zaimportuj dane z odczytów do Octave. | + | - Zaimportuj dane z odczytów do Octave: |
| - | W tym celu otwórz bazę danych w SQLite: ``sqlite3 acc.db`` | + | * 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> | ||
| - | Następnie zapisz dane z bazy danych do pliku | + | |
| + | |||
| + | === 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" | ||
| Linia 44: | Linia 63: | ||
| - | ==== Klasteryzacja ==== | ||
| - | //Klasteryzacja z wykorzystaniem danych z analizy// | ||
| ===== Android===== | ===== Android===== | ||
| - | // Przetestowanie aplikacji do wykrywania aktywnosci// | + | - 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? | ||
