CN107277222A - 基于手机内置传感器的用户行为状态判断方法 - Google Patents

Abstract

本发明涉及一种基于手机内置传感器的用户行为状态判断方法，该方法基于手机线性加速度传感器和重力加速度传感器数据实现了高精度用户行为状态判断功能，并且手机可以由使用者以任意姿态携带或使用（包括手持、放在上衣/裤子口袋、背包内等）。该方法包括对线性加速度传感器和重力加速度传感器数据进行采集、稳定频率、滤波去噪、计算以及分类达到状态判断的功能。本发明可用于带有线性加速度传感器和重力加速度传感器的IOS/android等操作***的手机统计日常用户行为，为各类APP判别用户当前行为状态提供方法，为用户统计日常时间使用提供工具，具有无需预置用户行为做训练，统计精度高、可跨平台使用等特点。

Description

基于手机内置传感器的用户行为状态判断方法

技术领域

本发明涉及一种基于手机内置传感器的用户行为状态判断方法，特别是涉及对线性加速度传感器和重力加速度传感器数据进行采集、稳定频率、滤波去噪、计算以及分类达到用户行为状态判断的技术。

背景技术

随着智能手机的普及以及传感器技术的进步，越来越多的手机内置各种传感器，这些传感器蕴藏的大数据可以帮助用户/第三方APP更方便的分析用户日常行为，对第三方APP来说可以了解用户当前行为状态，基于此对用户做场景化推荐/避免打扰用户；对用户来说，可以分析每天时间分配，合理安排自身时间规划。

目前手机只是配备了传感器，但是不管对android***还是对ios***来说，并不知道不同传感器数据对应的用户行为，对第三方APP也是如此。因此，如果能通过传感器蕴含的丰富信息判断出用户当前的行为状态，对诸如驾驶类、时间管理类等场景类APP有重要意义。

发明内容

本发明主要解决的技术问题是提供了一种手机内置传感器可以精确判断用户行为状态的方法，该方法利用决策树方法，实现了用户行为状态识别效果。

其中，本发明的主要构思来源于个体不同行为状态会导致传感器不一样的受力，通过分析传感器的受力情况（三轴线性加速度和重力加速度数据），对传感器数据做相应的指标统计并根据预置的决策树阈值，动态的判断用户当前的行为模式；另外，本发明在使用传感器数据之前对传感器数据进行滤波处理，降低***噪声和观测噪声对本发明精度的影响；第三，本发明无需预置个体用户行为数据作为训练；最后，本发明提供了一种在IOS和android平台通用的状态识别方法，降低了APP开发的成本。

本发明提供一种手机内置传感器可以精确判断用户行为状态的方法，其包括以下模块：频率设定模块，用于设定手机采集传感器数据的频率，所述传感器指的是线性加速度传感器和重力加速度传感器；滤波器模块，所述滤波器模块针对车辆行驶过程中的频谱特征对原始传感器数据进行滤波降噪处理；处理器模块，所述处理器模块根据用户不同行为模式，通过计算所述线性加速度传感器和重力加速度传感器上下四分位数之差、概率密度以及波动大小作为状态判断依据；分类器模块，所述分类器模块利用决策树方法动态判断用户行为，该决策树是由C5.0算法对预先收集的训练数据进行机器学习得到。

优选的，所述频率设定模块首先将Android手机传感器频率设置为game模式(频率一般在30HZ到50HZ范围内波动),将IOS手机传感器频率设置为35HZ(频率一般在32HZ到35HZ范围内波动),从原始传感器频率中采样得到稳定的30HZ传感器数据。

优选的，所述滤波器模块为巴特沃斯低通滤波器，所述巴特沃斯低通滤波器根据车辆行驶过程中的频谱特征设计，所述巴特沃斯低通滤波器对线性加速度数据和重力加速度进行滤波降噪处理，提高判断精度。

优选的，所述处理器模块从起始时间 开始，将5秒内的数据（150条数据）作为判断数据源进行一次判断，分别计算这150条数据三轴线性加速数据的上下四分位点之差、三轴线性加速数据的值在[-0.05,0.05]之间的概率密度和，三轴线性加速数据的值在[-0.3,0.3]之间的概率密度和,三轴线性加速度和重力加速度的标准差。

优选的，分类器模块通过预置的决策树对上述指标进行分类，判断用户当前行为状态,其中预置的决策树由C5.0算法对训练数据学习得到。

优选的，所述基于手机内置传感器判断用户行为状态***利用训练数据预先设计分类器决策树，无需用户预先配置自身行为数据。

优选的，上述三个模块通过C语言代码实现之后， IOS***支持直接调用本方法的C代码实现实现状态判断功能，android***使用JNI桥接后也可调用本方法的C代码实现状态判断功能。

本发明提供了一种IOS和android平台通用的基于手机内置传感器判断用户行为状态方法，具体包括以下步骤：

步骤1，设定手机采样频率，并对手机采集数据进行抽样处理，以稳定数据输出频率；

步骤2，对加速度传感器数据做如下处理：

2-1）设计适用于状态判断的巴特沃斯低通滤波器；

2-2）对原始线性加速度信号和重力加速度信号进行滤波处理以消除背景噪声干扰；

步骤3，计算用户行为状态判断关键区分指标，包括三轴线性加速数据的上下四分位点之差、三轴线性加速数据的值在[-0.05,0.05]之间的概率密度和，三轴线性加速数据的值在[-0.3,0.3]之间的概率密度和以及三轴线性加速度和三轴重力加速度的标准差,其中:

3-1）计算上、下四分位数位置的公式分别为和；

3-2）计算三轴线性加速度的概率密度公式为，其中K为核密度函数；

3-3）三轴线性加速度的波动幅度计算公式为。

作为本发明的进一步优化方案，步骤1采用递归法对原始数据进行抽样以稳定数据频率。

作为本发明的进一步优化方案，步骤2中根据车辆行驶时的频谱范围特征构造巴特沃斯低通滤波器实现降噪。

作为本发明的进一步优化方案，步骤3处理原始数据之前对原始数据有效性进行判断，如果原始数据中x轴的线性加速度为0的条数占比超过10%或者原始数据不到150条，则当前数据不可用，当前用户状态为未知。

作为本发明的进一步优化方案，步骤3采用高斯分布函数作为核密度估计函数。

本发明上述各方面与现有技术相比，首先本发明通过对用户不同行为时手机的受力状态进行分析，构建有效的分类器指标体系；其次，本发明采用C5.0算法对训练数据进行学习构建决策树，避免因训练数据分布不均匀导致的决策树偏差；第三，本发明的状态判断方法预置了决策树，无需预置用户行为数据进行训练，提高了本发明的实用性；最后，本发明通过C语言代码实现之后，IOS***支持直接调用本方法的C代码实现计步，android***使用JNI桥接后也可调用本方法的C代码实现计步，不需要额外的硬件设备。

附图说明

图1是展示了本发明的方法流程图。

图2是展示了本发明设计滤波器使用前后行驶过程中的加速度值的对比。

图3是展示了上下四分位点之差、三轴线性加速度数据在[-0.05,0.05]之间的概率密度和以及三轴重力加速度的标准差对状态的区分度。

图4是展示了本发明内置的状态判断决策树。

Claims (15)

1.本发明基于手机内置传感器实现了精确判断用户行为状态方法，其特征在于，包括以下模块：

频率设定模块，用于设定手机采集传感器数据的频率，所述传感器指的是线性加速度传感器和重力加速度传感器；

滤波器模块，所述滤波器模块针对车辆行驶时的频谱范围对原始传感器数据进行滤波降噪处理；

处理器模块，所述处理器模块根据用户不同行为模式，通过计算所述线性加速度传感器和重力加速度传感器的上下四分位数、概率密度以及波动剧烈程度作为状态判断依据；

分类器模块，所述分类器模块利用决策树方法动态判断用户行为，该决策树是由C5.0算法对预先收集的训练数据进行机器学习得到。

2.根据权利要求1所述的基于手机内置传感器判断用户行为状态判断方法，其特征在于：将用户日常行为分为四个状态，即走路（含跑步），玩手机，驾驶（含坐车）和静默，权利要求1所述的方法根据手机传感器的数据表现对用户行为做出精准判断。

3.根据权利要求1所述的基于手机内置传感器判断用户行为状态判断方法，其特征在于：所述频率设定模块包括对手机传感器采样频率的设定以及抽样获取稳定频率的传感器数据。

4.根据权利要求1所述的基于手机内置传感器判断用户行为状态判断方法，其特征在于：所述滤波器模块使用巴特沃斯低通滤波器对原始线性加速度数据和原始重力加速度数据进行滤波降噪处理，提高状态判断精度。

5.根据权利要求1所述的基于手机内置传感器判断用户行为状态判断方法，其特征在于：所述处理器模块从起始时间开始，每5秒钟的数据（150条数据）作为判断数据源进行一次计算，分别计算这150条数据三轴线性加速数据的上下四分位点之差iqr_x、iqr_y和iqr_z、三轴线性加速数据的值在[-0.05,0.05]之间的概率密度和density_x1、density_y1和density_z1，三轴线性加速数据的值在[-0.3,0.3]之间的概率密度和density_x2、density_y2和density_z2,三轴线性加速度和三轴重力加速度的波动幅度sd_ox、sd_oy、sd_oz以及sd_ax、sd_ay、sd_az。

6.根据权利要求1所述的基于手机内置传感器判断用户行为状态判断方法，其特征在于：根据要求4所述处理器模块计算用户行为对应的数据指标之后，基于权利要求1所述分类器模块的决策树对用户行为数据进行分类，实时判断用户当前行为。

7.根据权利要求1所述的基于手机内置传感器判断用户行为状态判断方法，其特征在于：所述基于手机内置传感器判断用户行为状态算法事先学习测试用户不同行为在传感器数据上的表现差异，无需预先配置单个用户行为数据。

8.根据权利要求1所述的基于手机内置传感器判断用户行为状态判断方法，其特征在于，包括以下步骤：

首先，利用频率设定模块设定手机采集传感器数据的频率，所述传感器指的是线性加速度传感器、重力加速度传感器；

其次，利用所述滤波器模块针对根据车辆行驶时的频谱范围对原始传感器数据进行滤波降噪处理；

再次，利用处理器模块根据人的不同行为设计可用于分类的指标，指标包括数据三轴线性加速数据的上下四分位点之差、三轴线性加速数据的值在[-0.05,0.05]之间的概率密度，三轴线性加速数据的值在[-0.3,0.3]之间的概率密度,三轴线性加速度和三轴重力加速度的标准差；

最后，利用分类器模块预置的决策树对用户行为数据实时进行计算，得到用户当前行为状态。

9.根据权利要求1所述的手机内置传感器判断用户行为状态判断方法，其特征在于，进一步包括：对手机传感器采集的数据进行递归采样处理以稳定数据频率，避免手机传感器频率不稳定导致判断精度低的问题。

10.根据权利要求3之一所述的手机内置传感器判断用户行为状态判断方法，其特征在于，进一步包括：根据车辆行驶时的频谱范围特征设计巴特沃斯低通滤波器对线性加速度数据和重力加速度数据进行滤波降噪处理，提高状态判断精度。

11.根据权利要求4、7所述的手机内置传感器判断用户行为状态判断方法，其特征在于，进一步包括：从起始时间开始，连续采集5秒钟数据，递归抽样取得150个数据点后，对原始数据质量进行检测，如果线性加速度传感器x轴数据等于0的比例超出10%，则原始传感器的数据异常，当前用户的状态判定为未知。

12.根据权利要求6所述的手机内置传感器判断用户行为状态判断方法，其特征在于，基于C5.0分类器算法利用预先学习的决策树进行用户行为判断，无需预先配置单个用户行为数据。

13.根据权利要求1所述的步态识别方法，其特征在于，将本方法通过C语言代码实现之后，IOS***可以直接调用本方法的C代码，android***使用JNI桥接后也可调用本方法的C代码。

14.手机内置传感器判断用户行为状态判断方法，具体包括以下步骤：

步骤1，设定手机采样频率，并对手机采集数据进行抽样处理，以稳定数据输出频率；

步骤2，对线性加速度传感器和重力加速度传感器数据做如下处理：

2-1）设计适用于状态判断的巴特沃斯低通滤波器；

2-2）对原始线性加速度信号和重力加速度信号进行滤波处理以消除背景噪声干扰；

步骤3，计算用户行为状态判断关键区分指标，包括三轴线性加速数据的上下四分位点之差、三轴线性加速数据的值在[-0.05,0.05]之间的概率密度和，三轴线性加速数据的值在[-0.3,0.3]之间的概率密度和以及三轴线性加速度的波动幅度；

步骤4，利用内置决策树判断用户行为状态。

15.根据权利要求14所述的行为状态判断方法，其特征在于，所述步骤3具体包括：

3-1）计算上、下四分位数位置的公式分别为和；

3-2）计算三轴线性加速度的概率密度公式为，其中K为核密度函数，具体的，本方法采用高斯分布函数作为核密度函数；

3-3）三轴线性加速度的波动幅度计算公式为。