Abstract:Great hardware and softwar

Abstract:
Great hardware and software capabilities of mobile devices allow us to research new scientific fields. Activity recognition is one of the main research areas for smartphones. Built-in sensors of a standard smartphone, such as accelerometer, magnetometer, gyroscope, enable us to recognize the daily activities of a person. In this study, we focused on the window sizes and the sampling rates in order to observe how they affect to the accuracy and CPU utilization. For our test scenarios, we built a dataset including a tri-axial accelerometer sensor data of 7 daily activities: walking, jogging, sitting, lying, standing, walking upstairs and walking downstairs. We collected these activities with a sampling rate of 80 Hz by using 5 seconds window size. Then, we downsampled the collected data to 40 Hz, 20 Hz, 10 Hz, 5 Hz and 1 Hz by using 4, 3, 2, and 1 seconds window sizes, respectively. Thus, we could evaluate the variation of the accuracy and CPU utilization. Our test results showed that when the sampling rate increases, both the accuracy and the CPU utilization become greater. Moreover, we observed that, for a fixed sampling rate, when window size increases, CPU utilization decreases.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อ:ความสามารถดีฮาร์ดแวร์และซอฟต์แวร์ของอุปกรณ์เคลื่อนที่ช่วยให้เราสามารถวิจัยเขตข้อมูลทางวิทยาศาสตร์ใหม่ กิจกรรมการรับรู้เป็นหนึ่งในพื้นที่วิจัยหลักสำหรับสมาร์ทโฟน เซ็นเซอร์ในตัวของสมาร์ทโฟนมาตรฐาน เช่นมาตรวัดความเร่ง ไจโรสโค ป วัดให้เราสามารถรับรู้กิจกรรมประจำวันของบุคคล ในการศึกษานี้ เรามุ่งเน้นหน้าต่างขนาดและอัตราการสุ่มตัวอย่างการสังเกตถึงผลความแม่นยำและการใช้งาน CPU สำหรับสถานการณ์การทดสอบของเรา เราสร้างเป็นชุดข้อมูลเช่นข้อมูลเซ็นเซอร์ accelerometer tri แกนของกิจกรรมประจำวันที่ 7: เดิน วิ่ง นั่ง นอน ยืน เดินชั้นบน และชั้นล่างเดิน เรารวบรวมกิจกรรมเหล่านี้ มีอัตราการสุ่มตัวอย่างที่ 80 Hz โดยใช้ขนาดหน้าต่าง 5 วินาที จากนั้น เรา downsampled ข้อมูลที่รวบรวม 40 Hz, 20 Hz, 10 Hz, 5 Hz และ 1 Hz โดยใช้ 4, 3, 2 และ 1 วินาที ขนาดหน้าต่าง ตามลำดับ ดังนั้น เราสามารถประเมินการเปลี่ยนแปลงของความถูกต้องและการใช้งาน CPU ผลการทดสอบของเราพบว่า เมื่ออัตราการสุ่มตัวอย่างเพิ่มขึ้น ความแม่นยำและใช้งาน CPU กลายเป็นมากขึ้น นอกจากนี้ เราตั้งข้อสังเกตว่า สำหรับอัตราสุ่มคงที่ เมื่อเพิ่มขนาดของหน้าต่าง การใช้งาน CPU ลดลง

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ:
ฮาร์ดแวร์ซอฟแวร์ที่ดีและความสามารถของโทรศัพท์มือถือที่ช่วยให้เราเพื่อการวิจัยทางวิทยาศาสตร์ใหม่ การรับรู้กิจกรรมเป็นหนึ่งในด้านการวิจัยหลักสำหรับมาร์ทโฟน เซ็นเซอร์ในตัวของมาร์ทโฟนมาตรฐานเช่น accelerometer, magnetometer วัดการหมุนวนทำให้เราสามารถรับรู้กิจกรรมประจำวันของบุคคล ในการศึกษาครั้งนี้เรามุ่งเน้นไปที่ขนาดของหน้าต่างและอัตราการสุ่มตัวอย่างในการสั่งซื้อที่จะสังเกตเห็นว่าพวกเขาส่งผลกระทบต่อความถูกต้องและใช้ CPU สำหรับสถานการณ์การทดสอบของเราเราสร้างชุดข้อมูลรวมทั้งไตรแกนข้อมูลเซ็นเซอร์ accelerometer 7 กิจกรรมประจำวัน: เดิน, วิ่ง, นั่งนอนยืนเดินชั้นบนและชั้นล่างเดิน เรารวบรวมกิจกรรมเหล่านี้มีอัตราการสุ่มตัวอย่าง 80 เฮิร์ตซ์โดยใช้เวลา 5 วินาทีขนาดของหน้าต่าง จากนั้นเรา downsampled ข้อมูลที่รวบรวมได้ถึง 40 Hz, 20 Hz, 10 Hz, 5 เฮิร์ตซ์และ 1 เฮิร์ตซ์โดยใช้ 4, 3, 2, และ 1 วินาทีขนาดหน้าต่างตามลำดับ ดังนั้นเราจึงสามารถประเมินการเปลี่ยนแปลงของความถูกต้องและ CPU การใช้ ผลการทดสอบของเราแสดงให้เห็นว่าเมื่ออัตราการสุ่มตัวอย่างเพิ่มขึ้นทั้งความถูกต้องและการใช้งาน CPU กลายเป็นมากขึ้น นอกจากนี้เรายังตั้งข้อสังเกตว่าสำหรับอัตราการสุ่มตัวอย่างคงที่เมื่อขนาดของหน้าต่างการเพิ่มขึ้นของการใช้งาน CPU ลดลง

ผลลัพธ์ (ไทย) 3:

บทคัดย่อ :ฮาร์ดแวร์และซอฟต์แวร์ความสามารถของโทรศัพท์มือถือช่วยให้เราเพื่อการวิจัยด้านวิทยาศาสตร์ใหม่ การรับรู้กิจกรรมที่เป็นหนึ่งในหลักวิจัยพื้นที่สำหรับมาร์ทโฟน สร้างขึ้นในตัวของมาร์ทโฟนที่มาตรฐาน เช่น accelerometer gyroscope , โปรแกรม , , ให้เรารับรู้ กิจกรรมประจำวันของคน ในการศึกษาครั้งนี้เราเน้นไปที่หน้าต่างขนาดและอัตราการสุ่มตัวอย่างเพื่อสังเกตวิธีที่พวกเขาส่งผลกระทบต่อความถูกต้องและการใช้ซีพียู สำหรับบททดสอบของเรา เราสร้างชุดข้อมูลรวมทั้งสามแกนเซ็นเซอร์ accelerometer ข้อมูล 7 กิจกรรมประจำวัน : เดิน , วิ่ง , นั่ง , นอน , ยืน , เดินขึ้นบันไดและเดินลงไปข้างล่าง เรารวบรวมกิจกรรมเหล่านี้มีอัตราการสุ่ม 80 Hz โดยการใช้ 5 วินาที หน้าต่างขนาด แล้วเรา downsampled จำนวน 40 Hz 20 Hz 10 Hz 5 Hz และ 1 Hz โดยใช้ 4 , 3 , 2 และ 1 วินาทีขนาดหน้าต่าง ตามลำดับ ดังนั้น เราสามารถประเมินการเปลี่ยนแปลงของความถูกต้องและการใช้ซีพียู ผลการทดสอบของเราพบว่า เมื่อเพิ่มอัตราการสุ่มตัวอย่างทั้งความถูกต้องและการใช้ซีพียูที่เป็นมากกว่า นอกจากนี้ เราพบว่า มีอัตราคงที่ ) เมื่อหน้าต่างขนาดเพิ่ม CPU , การใช้ลดลง