基于智能手机传感器的液体剩余量检测技术研究

来源 :电子科技大学 | 被引量 : 0次 | 上传用户:yczhudong
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
现如今,随着人们的生活压力和工作压力的不断提高,人们的健康问题日益凸显,据统计数据显示中国人民约70%的人处于亚健康状态,因此关注自身健康变得愈发重要。目前健康管理的理念逐渐走进人们视野,并且健康管理的国内市场也逐步火热。健康管理中比较重要的一部分就是营养摄入平衡,而人体每日所需营养中通过液体摄入的不占少数,例如水,维生素,蛋白质等,因此液体检测技术作为营养监测的一种途径显得尤为重要。液体检测技术可以通过检测液体剩余量来帮助人们检测牛奶、果汁、水等液体的摄入情况,为后续的健康管理与商家精准推荐提供相关支持。本文研究基于智能手机传感器,针对如何检测桶装牛奶剩余量这一液体检测问题,提出了一套有效可行的系统,我们称之为DeMilk。DeMilk的核心思想是通过识别桶装牛奶左右晃动声音的不同,从而达到检测桶装牛奶剩余量的目的。DeMilk通过以下4个模块来实现:(1)数据的采集。采集桶装牛奶不同剩余量的晃动声音数据,并通过线性加速度计和陀螺仪来规范晃动牛奶的姿态,随后进行数据分割,数据降噪的预处理;(2)特征的提取。从每一个样本数据中提取相应的特征;(3)特征的筛选。通过不同的方法对提取的特征进行筛选;(4)模型的训练。基于采集的数据集以及筛选得到的最优特征集进行模型的训练。本文主要创新点以及研究成果如下:(1)本文研究首次通过融合智能手机线性加速度计、陀螺仪和麦克风传感器来检测液体剩余量。(2)本文研究一共提取26个特征用于检测液体剩余量。特征提取分别基于短时傅里叶变换,短时平均过零率,频谱质心,小波变换,梅尔频率倒谱系数和音符起始点检测6个方面。(3)本文研究训练生成的支持向量机模型效果最优,其准确率达0.9240,F1分数为0.9208,AUC值为0.9857。(4)本文将整个DeMilk系统实现为一个Android应用程序。
其他文献
学位
学位
学位
在移动互联网带来了爆炸增长的数据的前提下,人工智能进入了飞速发展的阶段。但随着人们对数据隐私的日益关注,世界各国相关法案的出台和完善,如何在保护数据隐私的情况下,进行大数据研究已经逐渐受到学术界和工业界越来越多的关注。在这样的背景下,作为打破数据孤岛、释放人工智能应用潜能的机器学习技术,联邦学习无疑是当前最受工业界和学术界关注的研究方向之一。联邦学习主要解决了以下困境:一是由于互联网企业巨化,各个
目前,越来越多的文档以数字资源的形式呈现在互联网上。这些文档内容繁多、结构混乱,使得从这些文档中快速提取有效信息的工作变得十分困难。实体关系抽取作为实现信息结构化的关键技术,可以很好的解决这个问题,并在构建知识图谱、智能问答系统以及自然语言生成方面有着非常重要的作用。基于深度学习的关系抽取在关系抽取中有着比较不错的效果。但是基于深度学习的算法的数据预处理中添加了越来越多由自然语言处理工具得到的额外
随着我国信息科技实力的不断提升,网络空间中的内容极速膨胀,大量数据问题一涌而出,如:博客网站充斥了大量的抄袭内容,搜索出的内容重复性极高;智能客服对话系统需要根据用户提问从海量数据库中匹配到最相关的答案;网络云盘中的重复文件浪费了巨大的物理存储空间。解决数据爆炸增长所带来的各种问题是一项重要的研究,而文本语义相似度计算正是解决这些问题的必备技术。文本语义相似度计算是本文的研究主题。本文做了大量的研
学位
随着无人船集群技术的加速发展,海上无人系统的研发与训练也变得至关重要。有效的海上无人系统能够打破单船能力的局限性,协同集群中每艘无人船从而激发出整个集群的力量。然而训练海上无人系统需要大量且有效的无人船实验数据,无人船实验数据的获取不可避免地受到时间,环境,人力,财力等多种因素的限制,如何在短时间内低成本地获取海量训练数据将成为传统无人船训练系统一项新的挑战。本文经过对无人船训练系统的研究和分析,
学位
近年来,随着数据资源和计算能力的增长,机器学习快速发展,被应用到各个领域,例如:图像识别、行人检测、航空监管等等。在机器学习训练阶段使用的数据越多,则预测阶段机器学习模型精度越高。然而,海量数据的使用对本地计算资源带来了挑战。得益于云服务的应用,大量的机器学习的训练和预测都被外包到云服务器上进行。然而云服务自身数据安全事件频发,这加剧了公众对于数据泄露的担忧。为了解决云服务环境下机器学习中的数据泄