在这一点上，技术和技术的发展，智能手机的功能越来越集成在手机中，这是从个人电脑和便携设备来区分功能更强大，各种传感器模块。
明显的优势。文通过分析由智能传感器所收集的用户的移动状态数据，并使用多个分类SVM方法分析用户数据的移动的状态。本文中，交叉验证方法，采用和实验结果是良好的，这可以解释用户的移动状态的识别的准确度比较高。文的下一个方向是结合MYO腕带的手的识别，以更好地分辨人的运动状态。键词：Android手机，传感器数据; SVM;运动状态识别分类号：TP391文献代码：A文章编号：2195至63年（2015）03-状态运动检测基于Android移动SensorZHANG辛，栗之筠姜ShouxuAbstract：今天随着科学技术的发展和进步，智能手机的功能变得越来越强大，手机还内置了多种传感器模块，而手机是方便携带和使用。
本文中，由所述智能传感器收集到的移动电话的状态的数据被收集和用户的运动的状态被使用的多个SVM分类方法鉴定。文的实验结果很好，可能有助于解释用户运动状态的准确性。文的下一个方向是承认MY的手。
Ø手镯，改善区域人关键词的运动：Android手机，传感器数据，SVM，运动状态识别引言随着科学技术的发展，智能手机也进入了一个发展快速，高度集成。今，智能手机是一种易于运输和使用的计算机。在人们日常生活中的重要性正在稳步增长[1-3]。然智能手机就相当于一台笔记本电脑，它的优点在于：电脑不具备：这不仅在使用移动智能手机的反映，也与几种新型的传感器模块更好地整合比个人电脑。不适用于个人电脑。其他便携式设备不同，智能手机易于使用，用户友好且无处不在。们通常要求用户学习掌握特定操作，而智能手机不要求他们花费更多时间。钱，时间和精力需要来操纵它的使用，只需要安装在这项研究中收集的数据的应用程序，用于收集，而S’用户运动数据练习。
篇文章是基于相对于PC和移动设备智能手机的优点：在使用智能手机作为数据采集设备，并通过智能手机检测模块来记录数据研究用户的移动，然后分析这些数据，最后，识别用户的移动状态。据的收集和存储本文档中收集的数据对应于智能手机的传感器数据。能手机是用户的追随者。果，所收集的移动电话的移动数据等同于用户的移动数据[4]。感器收集的Android移动电话上的运动数据的程序的流程图显示于图1中。
1图1流程图收集程序取得程序收集过程的流程图中可见图1.在图1中创建新线程是获取程序，其允许在一个文本文件写入所述传感器数据和本地存储在移动电话上的一个子线程。于承认运动状态的前一节中收集的用于识别多种分类SVM的utilisateur.La方法的运动状态对数据进行分类的部分在研究中使用的分类和识别[5] 。据格式收集在该文件中写入的文本文件的数据中的“时间标记中，x轴的加速度，y轴，z轴的加速度的加速度”。数据格式示于图中一个给定的段收集2。2图2的数据格式的数据格式图2示出的数据，用一条线的每个数据点。本研究中提出的特征提取特征是：平均值，方差，最大值，最小值，范围（平均的平均和最小方差的最大值的最大值和最小值的），频率（极点大和之间的平均距离总共10个实体为低于平均每个实体执行特定分析的较小值：..每个加速度数据样本的轴被平均，以描述所述采样数据的一般趋势。差：样本数据的各轴的方差得到和方差可反映样品波动的最大值和最小值用于采样数据的每个轴上的最大和最小值分别确定，并且该数据变化范围可以被描述振幅:.包含四个值：平均最大和平均微量a，最大值和最小值的方差，描述样本波动的变化范围。率：包含两个值，最大值和最小值，其使用波长来表征频率和描述了样品的波动速度之间的平均距离。中，幅度和频率使用最大值和最小值。面给出了本文中最小化最小值的算法。算法的操作如下：算法 – 最大化的最小输入值的值的给定阵列：数字表Z，长度为m;输出：Maxima数组的时间戳，最小值数组和原始数组中的最小值。
先确定数组z的第一个值z [1]和第二个值z [2]。果Z [1]≤Z [2]，让标志= 0，以指示该最大值首次发现，Z [1]> Z [2]，让标志= 1找到在第一最小值;对于i，遍历表z从1到m ;;;遍历整个z数组，显示最大值数组，最小值数组和相应的Poke时间。算法的优点是所有最大值和最小值只能找到一次，热敏元件时间复杂度为O（n）。
别获得最大值和最小值的平均值，并将方差作为幅度。中，平均值描述的最大值和最小值的平均水平，而方差反映了波动性最小和最小值。
到的最大值和最小值之间的时间戳差值的平均值，分别为和的相邻末端之间的时间长度，即波长，被用于表征频率。
振幅和频率描述的常规方法中，离散傅立叶变换可以用于获得对应于从采样点最大的取样点的点，但该方法是不适合于该研究因为收集了样本数据。长度不一致时，也就是说，离散傅立叶变换的点的变换也不同，这导致无法均匀地描述离散傅立叶变换的结果用于该目的本文提出的极值算法。于表征幅度和频率的极值。验结果和结论分析本文使用手机谷歌Nexus S来收集实验数据，从加速度传感器收集数据每0.05秒三个轴，并写入到本地存储在一个文本文件手机。走，跑步，跳跃，提升和降低：所述数据集是通过经由Android手机4名志愿者和在总600个样本，包括运动的六个状态收集。个运动状态为100个样本，每个样本文件的长度从15秒到50秒不等。验用交叉验证，将样本划分5个等份，使用4作为训练集，如第五测试集，并且使用四个不同的驱动组件和第五组，共计5个周期。
个样品可以独立使用作为一组测试的和的5倍的相应结果被组合以获得整个样品的实验结果。实验的结果示于图3。一交叉验证实验中，第二交叉验证实验中，第三交叉验证实验中，第三交叉验证实验中，第四交叉验证实验中，示出第五交叉验证实验中，第五交叉验证实验图的实验结果交叉验证图3交叉验证的3实验结果图3示出的五个交叉经验的正确率是80％，100％，93.333，92 ，5％，92.8％和95.833％。
均值为92.333％至3％，该样本的识别准确率为92.333％至3％。论本文使用SVM多分类类来分类智能手机传感器收集的运动状态数据的运动状态。用所收集的分类的特征值的平均值，方差，最大值和最小值，（最大最小值的均值和方差）的振幅和总共10个频率（极小极大值之间的平均距离）。这些中，方差，振幅和频率可以有效区分每个类别，而最大和最小值对因为在错误和干扰的分类的结果的影响较小数据采集。分析，平均值为0时的样品尺寸大，由于加速和减速之间的差异，使得在分类的结果的影响是低的。
项研究的目的是使用模型获得的运动状态识别并结合人工识别腕带MYO可以识别更多的体育行为，以确保有效的监督和适当的习惯用户行为”
本文转载自
热敏元件www.wisdom-thermostats.com