基于情境感知的手机使用过程意外预防方法研究与系统实现

发布时间：2020-10-16 02:48

　　 情境感知源于普适计算领域,情境感知最早由Schilit等人[1]于1994年提出,自情境感知被提出以来,大量基于情境感知技术的研究与应用如雨后春笋般不断涌现,近年来,越来越多的研究人员正致力于将情境感知技术与其他领域的热门技术相结合来解决与人们日常生活密切相关的热点问题,如无人驾驶等。同时,随着社交网络、移动互联网等技术不断向前发展,人们对于智能手机的依赖程度日益增加[2],对于智能手机的过度依赖正使得相当一部分人群面临因使用手机而产生的潜在人身意外伤害的威胁。基于以上考虑,本文使用情境感知技术来进行手机使用过程中的意外预防方法研究与系统实现。基于情境感知进行手机使用过程中的意外预防方法研究是一个较高层次的问题,本文将手机使用过程中的意外预防方法研究划分为三个子问题,即人体行为感知子问题、空间位置感知子问题以及交互方式感知子问题。人体行为感知子问题指感知到手机持有者当前正在进行的行为类型,有别于传统的人体行为识别问题,本文中更关注手机持有者在不同的手机持有方式下的行为类型。空间位置感知子问题指感知手机持有者是否处于易发生意外伤害的危险区域。交互感知子问题指感知手机持有者与手机的交互方式进而判定手机持有者是否处于手机使用过程中。对于手机使用过程中的意外预防方法研究将基于多个子问题的输出进行。对于人体行为感知子问题,本文基于随机森林和神经网络进行了实验,并在对比了实验结果之后选取随机森林模型对人体行为感知子问题进行求解。人体行为感知子问题求解所需数据均采集自智能手机的内置传感器,本文使用Nexus 5X智能手机作为数据源,每条行为数据包含三轴角加速度、三轴加速度、经度、纬度8种属性,采集到在不同手机持有方式下(手机位置、屏幕朝向、头部朝向等)包含步行、骑行、驾驶汽车等行为的行为数据共计400000条,其中包含32种分类标签,所有行为数据均在数据采集阶段进行了一定程度的去噪声处理,一定程度上保证了数据的质量与高可用性。基于采集到的行为数据对随机森林模型进行训练、优化、分析与评价等工作,最终得到的模型对于32种标签的分类准确率达96%左右,表现出良好的分类效果与高可用性。对于空间位置感知子问题,本文基于手机持有者的空间位置轨迹与路网信息进行了实验,一方面关注手机持有者当前的空间位置与路网中某条路段的绝对距离,另一方面关注手机持有者当前一段时间内的空间位置轨迹与路网中某条路段的匹配程度,通过二者的加权输出来对手机持有者是否位于可能具有发生意外伤害的区域给出判断。对于交互方式感知子问题,本文基于智能手机操作系统提供的API对手机持有者的触控屏幕等操作进行监听,对手机持有者是否正在与手机进行交互以及以何种方式进行交互给出判断。本文基于三个子问题的输出构建了手机使用过程中的意外伤害识别及预防模型,并在最后应用此模型实现了一个能够实时对手机持有者可能导致意外伤害发生的手机使用行为进行警示的意外伤害预防系统。
【学位单位】：哈尔滨工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TN929.53
【部分图文】：

图 1 - 1 人体行为识别基本流程图来对应用进行控制，如体感游戏；分析领域而获得更有价值的信息，如监测人体健康状觉的人体行为识别方法研究从流程上来说大、特征提取与表征以及基于分类算法进行行割即从视频流的每一帧或是图片分割出我中即人体本身，同时，根据视频或图片的视角又有所区分。在视频或图片的视角固定的的策略，背景剪除被用于从固定视角下的视，因此背景剪除的要求也相当严格，除了在视之外，背景必须不包含任何运动物体。在基于陆续续有许多研究人员提出多种基于背景剪出的基于高斯平均的背景剪除、Seki 等人[2等。在视频或图片的视角处于移动状态的情

互方式感知子问题，通过求解子问题以利用子问题的输出，从而种因使用手机而引发的危险情境下这一命题的是与否增加可信文的研究工作将自下而上的逐层解决，本文的研究框架如图 1-的主要研究内容自下而上地具有四个层次，分别是数据感知层、危险情境识别层以及应用层。数据感知层是整个研究的入口，进有数据都源于数据感知层，其任务是基于智能手机内置的传感境感知所需要的数据，同时，在采集数据并上传至服务器前加入施，从源头上去除因动作切换等因素造成的数据噪声。危险情境数据感知层收集到的具有原始格式的信息转换为本文研究所关于人体行为数据其格式包含了三轴加速度、三周角加速度，对于含了用户当前所在位置的经纬度信息，对于交互数据其记录了互而触发的事件，危险情境感知层需要根据求解的子问题的不理及特征提取等操作。危险情境识别层的任务是将危险情境感输出作为输入来对用户是否处于危险情境下给出判断。应用层识别的结果来完成对用户进行危险检测以及意外伤害防护等上层

进行分解：1) 人体行为上。广义上的人体行为包括步行、跑步、站立等多个类别，但就本文研究的问题而言，仅关注广义上的人体行为是不够的。如图2-1所示，从广义的人体行为上来看图中仅包含两种行为分别是站立和步行，但需要注意到行人在步行过程中持有手机的位置以及方式因人而异，本文的研究及系统开发均基于智能手机的传感器数据进行，不同的手机持有方式会对数据产生非常明显的影响。因此，相较于对广义上的行为类别进行区分，本文将人体行为识别定义为识别不同的广义行为类别以及对同种广义行为类别下手机的不同位置及方向进行区分，试想对于两个同时在步行的行人而言，相较于将手机放在口袋中步行的行人，我们显然可以认为将手机放在面前浏览的行人更有可能处于因使用手机而引发的危险情境下。具体
【参考文献】

相关期刊论文 前4条

1 陈龙彪;李石坚;潘纲;;智能手机:普适感知与应用[J];计算机学报;2015年02期

2 林闯;苏文博;孟坤;刘渠;刘卫东;;云计算安全:架构、机制与模型评价[J];计算机学报;2013年09期

3 马友忠;孟小峰;姜大昕;;移动应用集成:框架、技术与挑战[J];计算机学报;2013年07期

4 杨元喜;;北斗卫星导航系统的进展、贡献与挑战[J];测绘学报;2010年01期

本文编号：2842644