Różnice między wybraną wersją a wersją aktualną.
|
pl:dydaktyka:aml:lab5 [2013/11/18 09:47] esimon [Android] |
pl:dydaktyka:aml:lab5 [2019/06/27 15:50] |
||
|---|---|---|---|
| Linia 1: | Linia 1: | ||
| - | ====== Wykrywanie aktywności użytkownika ====== | ||
| - | ===== Octave ===== | ||
| - | |||
| - | ==== Analiza danych ==== | ||
| - | Napisz program zapisujący dane z akcelerometru do bazy SQLite. | ||
| - | Aby zapisać bazę danych w pamięci urządzenia, wykorzystaj poniższy kod. | ||
| - | |||
| - | Ustalmy że: | ||
| - | * Baza danych będzie nazywać się **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 === | ||
| - | - 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> | ||
| - | * 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> | ||
| - | - Wyrysuj dane z poszczególnych osi na wykresie:<code octave> plot(Acc)</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 | ||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | ===== 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? | ||
