Context recognition using mobile devices

Abstract

This work studies the application of Concept Matrix (CM) algorithm to the user activity and environment identification with mobile phones. By collecting data from sensors of a mobile device, the current context of the user is identified by using context models trained to the system in advance.

In this work, a new user activity dataset of sensory signals from various activities is collected. Information from the combination of various sensors is tested and the accelerometer is shown to be the sensor leading to the most accurate classification results. Performance of the CM-algorithm is then evaluated using the data set and compared to standard classifiers. Finally, a real-time mobile device implementation of the algorithm is presented and the qualitative results are reported.

At the presented test cases, the system is shown to work in real-time successfully, where the software initiation phase is very fast and the recognition ratio reaches over 95% for samples of three seconds. The results are considered to be promising, but there is space for continuous improvement.

Tässä diplomityössä tutkitaan CM-algoritmin soveltamista mobiililaitteissa, ja sen avulla tunnistetaan käyttäjien aktiviteettia ja ympäristöä. Mobiililaitteiden antureita käyttämällä tallennetaan tietoa, jota käsitellään käyttäjän nykyisen kontekstin tunnistamisessa malleista, jotka opetettiin älykkääseen järjestelmään etukäteen.

Tutkimuksen alkuvaiheessa kerättiin uusi datasetti muutamista toiminnoista. Seuraavaksi koetettiin luokitella tietoja niin, että useiden anturien tiedot yhdisteltiin eri tavoilla. Näin osoitettiin, että parhaat tulokset saavutetaan kiihtyvyysdatalla. Tämän jälkeen CM-algoritmin toimivuutta arvioitiin huolellisilla testeillä ja menetelmää verrattiin moneen vakiintuneeseen algoritmiin. Lopuksi kehitettiin mobiilialustassa toimiva reaaliaikainen ohjelma, jonka tulokset selostettiin kvalitatiivisesti.

Projektin aikana suoritetuissa testeissä järjestelmän on osoitettu toimivan menestyksellisesti. Ohjelmalla saavutettiin jopa 95 % luokittelutarkkuus käyttäen 3 sekunnin näytteitä kahdeksasta eri kontekstista. Työn perusteella on mahdollista väittää, että saadut tulokset ovat lupaavia, mutta olisi järkevää jatkaa kokeita tallennettuamme enemmän dataa ja tarkastella, voidaanko ohjelmaa kohentaa vielä tarkemmaksi.