Ihr Smartphone kennt dich besser als du selbst wissen
In Science Köpfen präsentiert eine fortlaufende Reihe von Gast-Kolumnisten und persönliche Perspektiven präsentiert von Wissenschaftler, Ingenieure und Mathematiker in der Wissenschafts-Community präsentiert einige der interessantesten Ideen in der Wissenschaft heute.
(ISM)--haben Sie sich jemals gefragt, was Ihr Smartphone über Sie weiß? Oder wie es lernt etwas über Sie? Wäre es nicht toll, wenn es Ihnen, Dinge, die Sie nicht selbst erkennen sagen könnte wie Sie gehen, sprechen und handeln?
Smartphones sind bereits in der Lage, dies zu tun, und viele Forscher widmen sich Wege zu erfassen und interpretieren die nützlichste Informationen. Moderne Smartphones sind vollgepackt mit vielen leistungsstarken Sensoren, mit die das Telefon Daten über Sie sammeln können. Zwar, dass jeder der Privatsphäre besorgt ist Alarm kann, stellen die Sensoren auch eine Gelegenheit, Smartphone-Nutzer in zuvor unmögliche Art und Weise zu helfen. Als ich merkte, wie viel diese Sensoren über eine Person erzählen konnte, gründete ich die Wireless Sensor Data Mining (WISDM)-Lab an der Fordham University in der Bronx, N.Y Das Ziel dieser Übung ist, moderne maschinelles lernen und Data Mining Methoden anzuwenden, um "mein Wissen über Smartphone-Nutzer aus den Sensordaten".
Smartphones enthalten mehr Sensoren als die meisten Menschen vorstellen würde. Android-Handys und iPhones gehören ein Audio-Sensor (Mikrofon), Bild-Sensor (Kamera), touch Sensor (Bildschirm), Beschleunigungs-Sensor (dreiachsigen Beschleunigungssensor), Lichtsensor, Annäherungssensor und mehrere Sensoren (einschließlich das Global Positioning System) für die Festlegung der Lage.
Schon früh haben wir beschlossen unsere Bemühungen auf den dreiachsigen Beschleunigungssensor konzentrieren, denn wir hatten das Gefühl, dass es eine der informativsten-- und nicht ausgelasteten--Sensoren. Dieser Sensor misst die Telefon Beschleunigung in allen drei räumlichen Dimensionen sowie die Ausrichtung. Dies ermöglicht das Telefon die Bildschirmanzeige in Reaktion auf Änderungen im Telefon Orientierung, unterstützt aber auch fortschrittliche Bewegung basierende Spiel anpassen.
Unser erstes Ziel war, den Beschleunigungsmesser auszuführen Aktivitätserkennung--um die körperliche Aktivität wie walking, zu identifizieren, die ein Smartphonebenutzer ausführt. Wir dachten, dass diese Fähigkeit dann als Grundlage für viele Gesundheits- und Fitness-Anwendungen verwendet werden könnte, und auch verwendet werden, könnte um das Smartphone mehr kontextbezogene, machen, dass sein Verhalten berücksichtigt werden würde, was der Benutzer tut. Das Telefon könnte dann beispielsweise automatisch senden Anrufe an Voicemail wenn der Benutzer Joggen war.
Wir verwendet vorhandene Klassifizierungsalgorithmen zu identifizieren-Aktivitäten, wie Wandern, Beschleunigungsmesser Kartendaten auf diese Tätigkeiten. Diese Algorithmen oder Methoden, lernen von konkreten Beispielen. Wenn gegebene Daten über US-Football-Spieler und nicht-Fußball-Spieler, kann solchen Algorithmus erfahren, dass Fußballspieler neigen dazu, mehr als 200 kg wiegen. In unserem Fall bieten wir den Algorithmus Beschleunigungsdaten, die mit den damit verbundenen Aktivität gekennzeichnet ist, und aus diesen Daten generiert des Algorithmus automatisch Regeln für die Ermittlung der Aktivitäten. Da diese Regeln in Software implementiert werden können, kann die Aktivität Anerkennung Prozess automatisiert werden.
Die Aktivitäten, die unser System erkennt gehören Wandern, Joggen, Treppensteigen, sitzend, stehend und liegend. Wir erheben eine kleine Datenmenge beschriftete "Training" von einer Gruppe von Freiwilligen für jede Tätigkeit, mit der Erwartung, dass das Modell, das wir generieren auf andere Benutzer anwendbar sind. Die einzige Annahme, wir machen, ist, die dem Telefon des Benutzers ist unsere app im Hintergrund laufen und das ist das Telefon in ihrer Tasche.
Zunächst konnten wir mit oben genannten sechs Aktivitäten identifizieren etwa 75-prozentiger Genauigkeit. Diese Ergebnisse eignen sich für einen allgemeinen Überblick über wie viel Zeit ein Mensch für jede Aktivität täglich verbringt zu erhalten, aber bei weitem nicht Ideal sind. Aber wenn wir noch eine sehr kleine Menge an Daten, die ein Benutzer aktiv Etiketten erhalten als verbunden mit einer bestimmten Tätigkeit, können wir dann ein eigenes Modell für diesen Benutzer mit einer Genauigkeit im Bereich von 98 bis 99 Prozent aufbauen. Dies zeigt, dass Menschen anders bewegen und diese Unterschiede wichtig sind, wenn Aktivitäten zu identifizieren.
Wir nennen unser System Actitracker. Wenn Sie unsere Android-app herunterladen, erlaubt es Ihnen, Berichte über Ihre Aktivitäten über eine Web-basierte Benutzeroberfläche zu überprüfen. Dadurch können Sie bestimmen, wie aktiv oder--vielleicht mehr auf den Punkt--wie inaktiv sind. Wir vermuten, dass diese Berichte als einen Weckruf zu einigen dienen und hoffe, dass es zu positiven Veränderungen im Verhalten führt. Ein solches Instrument könnte auch von einem Elternteil verwendet werden, um die Aktivitäten ihres Kindes überwachen und so könnte auch Hilfe bekämpfen Erkrankungen wie Adipositas im Kindesalter.
Wir untersuchen auch, was andere Dinge wir über einen Benutzer aus ihren Beschleunigungsmesser Daten lernen können. Derzeit mit Hilfe dieser Daten wir eines Benutzers Geschlecht mit 71 Prozent Genauigkeit vorhersagen kann, und kann unterscheiden zwischen "hoch" und "short" und "schwer" und "Licht", je Personen mit ca. 80 Prozent Genauigkeit.
Wir haben auch festgestellt, ist, dass ein Gang, gemessen an einem Beschleunigungsmesser Smartphone unterscheidungskräftig genug zu Identifikationszwecken verwendet werden. Aus einem Pool von mehreren hundert Smartphone-Nutzer können wir jeden einzelnen mit 100-prozentiger Genauigkeit identifizieren, haben wir einen vorherigen Daten-Samples. Bald können wir Beschleunigungsmesser Daten verwenden, um Gang Probleme diagnostizieren können. Diese Anwendung ist wichtig, da Gang Probleme oft Indikatoren für andere gesundheitliche Probleme sind. Alle diese Anwendungen basieren auf den gleichen zugrunde liegenden Methoden der Klassifizierung als unsere Tätigkeit Anerkennung Arbeit.
Diese Kategorie von Anwendungen gehört eine zunehmende Tendenz zur mobilen Gesundheit. Sobald neue Sensoren zur Verfügung stehen und wie vorhandene Sensoren verbessert werden, sollte noch leistungsfähigere Smartphone-basierte Gesundheits-Anwendungen angezeigt werden. Andere Forscher fördern beispielsweise die Vergrößerung des Smartphone-Kameras damit sie Blut analysieren und Proben Haut können. Forscher am MIT Mobile Erfahrung Lab entwickeln sogar einen Sensor, der die Kleidung, der Smartphones misst um ihren Nutzern Exposition gegenüber ultravioletter Strahlung und das Potenzial für Sonnenbrand verfolgen lässt.
Smartphone-Sensor-Technologie, bietet vor allem in Kombination mit Datamining riesige Chancen für neue und innovative Anwendungen. Wir engagieren uns für diese Anwendungen zu erforschen und erwarten, dass in den nächsten zehn Jahren eine Flut von neuen Sensor-basierte apps werden. Während viele dieser apps nur Kuriositäten sein können, vermuten wir, dass einige "kleben" und handfeste Vorteile für Individuen und Gesellschaft bieten wird.
Gary M. Weiss ist ein Informatiker an der Fordham University.
In Science Köpfen wird unterstützt durch das American Institute of Physics.