Różnice między wybraną wersją a wersją aktualną.
| Both sides previous revision Poprzednia wersja Nowa wersja | Poprzednia wersja | ||
|
pl:dydaktyka:aml:lab5 [2013/11/09 13:50] esimon |
pl:dydaktyka:aml:lab5 [2019/06/27 15:50] (aktualna) |
||
|---|---|---|---|
| Linia 1: | Linia 1: | ||
| ====== Wykrywanie aktywności użytkownika ====== | ====== Wykrywanie aktywności użytkownika ====== | ||
| - | ===== Analiza danych ===== | ||
| - | //analiza danych z akcelerometru - pobranie, zapisanie do sqlite, analiza w octave (czestotliwosci maksymalnej i minimalnej, amplituda, srednie przyspieszenie, korelacja trzech osi , srednia - jakie?etc.)// | ||
| - | // za pomocą frameworków, android API i własnej analizy danych | + | ===== 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? | ||
