Акселерометр в часах что это смарт: что это, как работает и зачем нужен в фитнес-браслете, часах и смартфоне

Содержание

что это, как работает и зачем нужен в фитнес-браслете, часах и смартфоне

Практически в каждом описании характеристик современного смартфона, фитнес-браслета или умных часов можно встретить упоминание датчика под названием «акселерометр». Еще его могут называть «датчик ускорения» или  G-сенсор. Что это такое, как работает и зачем нужен в телефоне, часах или браслете, читайте далее.

Акселерометр: что это и зачем нужен?

Простым языком, акселерометр – это прибор, измеряющий ускорение (величину изменения скорости). Название прибора происходит от латинского «accelero», что дословно переводится, как «ускоряю» и греческого «metreō», что в переводе означает «измеряю».

Измерение величины динамического ускорения позволяет определить, насколько быстро и в каком направлении движется устройство с акселерометром. По конструктивному исполнению акселерометры подразделяются на однокомпонентные, двухкомпонентные, трёхкомпонентные (одноосевые, двух осевые и трехосевые). Например, 3-осевой датчик ускорения может определять величину и направление  ускорения как векторную величину во всех трех осях.

Часто этот датчик путают с гироскопом, но это совершенно разные датчики, хотя часто они взаимодополняют друг друга для достижения более точных результатов, а иногда даже могут выполнять одни и те же функции. Отличаются же эти датчики принципом работы и эффективностью при выполнении конкретной задачи.

В основном в устройствах акселерометр используется для определения ориентации, ударов, вибрации и ускорения координат. Например, в смартфонах именно акселерометр отвечает за переворот картинки при изменении положения корпуса, а фитнес-браслетах он активирует экран при вращении запястья.

Где применяется акселерометр?

Датчик ускорения применяется в самых различных сферах:

  • Навигационные устройства летательных аппаратов. Без приборов на основе гироскопов и акселерометров не может обойтись ни один самолет, вертолет и даже квадрокоптер. Так, например, для работы квадрокоптера необходимо минимум три гироскопа.
  • Автомобили. В автомобилях акселерометр интегрируется в системы безопасности и стабилизации. Прибор определяет экстренное торможение или дорожно-транспортное происшествие и запускает электрическую цепь, которая заставляет подушки безопасности срабатывать.
  • Промышленность. Датчики активно используются в различных станках, агрегатах и производственных линиях в системах защиты для отключения питания в случае поломок или при достижении критических значений.
  • Электроника. В компьютерах и ноутбуках акселерометр применяется для защиты жестких дисков от ударов и падений. В случае обнаружения падения прибор отдает команду считывающим головкам принять безопасное положение для избегания повреждения диска и потери данных.
  • В смартфонах и планшетах акселерометр отвечает за смену ориентации экрана при повороте корпуса, а также за управление игровым процессом при наклонах гаджета. В фитнес-браслетах и часах акселерометр применяется для подсчета шагов, отслеживания сна и активации экрана поднятием запястья.
  • Бытовая техника. Да, акселерометрами могут оснащаться даже стиральные машины, утюги и тепловентиляторы. Например, в утюгах акселерометр, обнаружив его падение, отключает питание, чтобы не допустить возникновения пожара.

Как работает акселерометр?

Большинство устройств оснащается емкостными, пьезорезистивными и пьезоэлектрическими приборами. Часто акселерометр представляет собой микроэлектромеханическую систему (MEMS), содержащую несколько компонентов, каждый размером от 1 до 100 микрометров. Размер же прибора обычно не превышает габариты спичечной головки.

Механический акселерометр

Объяснить принцип работы акселерометра проще на механическом приборе. Он состоит из пружины, прикрепленной к корпусу, подвижной массы и демпфера. Масса или, проще сказать, грузик, крепится к пружине. С обратной стороны грузик поддерживает демпфер, гасящий вибрации грузика. Во время ускорения корпуса пружина деформируется (растягивается или сжимается) по противоположным осям под воздействием грузика, стремящегося сохранить свое первоначальное положение, то есть отстать или опередить корпус. На величине деформации и основываются вычисления прибора.

Для получения информации о положении предмета в трехмерном пространстве используется три таких прибора, объединенных в один комплекс.

Конечно же, никто не будет «запихивать» в компактный фитнес-браслет или смартфон такую громоздкую конструкцию. Поэтому она заменяется миниатюрным чипом. Хотя чип и более сложный, чем прибор с шариком и пружиной, он имеет те же основные элементы.

У такого чипа имеется корпус, который крепится к часам или смартфону, «гребенчатая» секция с отведенными по сторонам пластинами и ряд фиксированных пластин, снимающих показания. Эта секция может перемещаться вперед и назад, изменяя значение напряженности поля вокруг контактов. Полученные данные передаются на обработку электроникой и программным обеспечением, после чего происходит вычисление физического расположения устройства.

Внутренняя работа акселерометра

Но самое интересное, как изготавливаются такие акселерометры. При толщине примерно 500 микрон ни один инструмент не сможет его создать. Вместо этого инженеры используют некоторые уникальные химические свойства кремния и силикона с другими веществами. Весь процесс изготовления полностью автоматизирован и выполняется на конвейерных линиях без участия человека.

Также понять как работает акселерометр поможет короткое видео ниже:

Чем отличается акселерометр от гироскопа?

Хотя в некоторых случаях гироскоп и акселерометр и могут выполнять одни и те же функции, это два абсолютно разных датчика, которые часто используются в паре для достижения максимального эффекта. Часто такой дуэт называют 6-осевым датчиком.

Акселерометр не умеет точно измерять угол поворота устройства в пространстве, а может лишь примерно его оценить. На практике это может выражаться в ложных срабатываниях и задумчивости в повороте экрана. И тут на помощь приходит гироскоп. Не вдаваясь в подробности о принципе работы данного прибора, скажем, что он может определять не только угол поворота устройства, но и скорость поворота, что, например, во время игры на смартфоне позволяет реализовать более быстрое и точное управление.

Иллюстрация работы механического гироскопа

Поэтому в большинстве устройств эти два прибора устанавливаются совместно для достижения наибольшей эффективности.

Акселерометр в фитнес-браслете и смарт-часах

В фитнес-браслетах и умных часах акселерометр отвечает за несколько функций. Обнаруживая поднятие или вращение руки, он отдает сигнал для включения экрана. Также именно акселерометр отвечает за подсчет шагов и мониторинг сна. На акселерометре «завязана» и работа функции «Умный будильник», который будит владельца гаджета в фазе быстрого сна.

Акселерометр в телефоне

Первый акселерометр появился в телефоне Nokia 5500. Там он использовался для подсчета пройденных шагов. Такое решение многим понравилось и с тех пор компания Apple стала оснащать таким датчиком все модели своих iPhone. А начиная с iPhone, если не ошибаюсь, четвертого поколения, в дополнение к акселерометру компания стала оснащать свои смартфоны гироскопом. После этого наличие этой пары датчиков стало стандартом для большинства производителей мобильных устройств.

Акселерометр в телефоне отвечает не только за поворот экрана при наклоне корпуса. Он так же как и в случае с фитнес-браслетом позволяет вести учет пройденного расстояния. Еще акселерометру нашли применение в системных жестах. Например, отключение звука телефона встряхиванием или переворотом смартфона вниз экраном.

Как откалибровать акселерометр?

В некоторых случаях может потребоваться настройка или калибровка акселерометра. Например, если телефон не реагирует на поворот корпуса или не точно считаются шаги. Для смартфонов под управлением операционной системы ANDROID для этих целей есть несколько сторонних приложений, например GPS Status & Toolbox. Для iPhone таких приложений нет, поэтому в случае сбоев придется ограничиться перезагрузкой устройства. Обычно это помогает.

Некоторые производители фитнес-браслетов и смарт-часов также позволяют откалибровать акселерометр. Точнее, не откалибровать, а «обучить» с помощью «Меток поведения», то есть помогая датчику более точно понимать, какое именно действие владелец гаджета выполняет в тот или иной момент. Такая возможность есть у владельцев популярной линейки Xiaomi Mi Band и ряда других моделей.

Источник изображений: YouTube , Wikipedia

Сенсоры и датчики в фитнес-браслетах и умных часах: как это работает?

Немногие владельцы умных устройств задаются вопросом, как именно работают различные датчики, которыми оснащены современные гаджеты. Стоит отметить, что еще пару лет назад «умный» браслет только и умел, что считать шаги. Теперь же фитнес-браслеты и умные часы умеют считать пройденное расстояние, распознавать свое положение в пространстве, реагировать на уровень освещения и делать многое другое. Как все это работает?

Акселерометры

Практически в любом фитнес-трекере есть акселерометр. Этот модуль может использоваться для выполнения различных задач, но основная функция акселерометра — подсчет количества сделанных шагов. Акселерометр также дает гаджету информацию о положении в пространстве и скорости передвижения.

Таким образом, трекер или часы «понимают», в каком положении сейчас находятся, «зная» о том, двигается владелец или нет.

Не все акселерометры одинаковы — есть цифровые, есть аналоговые, есть чувствительные, есть не очень.

GPS

Этой технологии исполнилось уже несколько десятков лет, но она до сих пор остается одной из наиболее востребованных. GPS позволяет определять координаты объекта с высокой точностью, используя сигнал, посылаемый спутниками (всего их 29).

GPS модуль в часах или трекере получает сигнал со спутника. А по времени, которое проходит с момента отправки сигнала спутником до момента фиксации модулем, можно определить примерное положение модуля. Чем больше спутников в зоне действия, тем точнее определяются координаты.

Соответственно, GPS модуль позволяет определять скорость передвижения, высоту над уровнем моря и некоторые другие параметры.

Оптические датчики сердечного ритма

Для определения частоты сердечного ритма не нужно идти к врачу. Современные оптические датчики могут довольно точно снять показания. Светодиоды такого датчика излучают свет, который поглощается тканями организма, включая кровь. При этом кровь поглощает больше света, чем, к примеру, кожа. Изменения количества крови в сосудах приводит к изменению уровня поглощения света, что и фиксирует датчик.

Специальный алгоритм на основе этих данных определяет частоту сердечного ритма. Самые продвинутые датчики приближаются по точности к ЭКГ.

Датчики электропроводимости кожи

Модули такого типа предназначены для измерения проводимости кожи. Чем больше влаги на коже, тем лучше ее проводимость. А по уровню увлажнения кожи можно определить и уровень активности тренировки.

Данные с таких датчиков коррелируют с показаниями других датчиков. А специальных алгоритм просчитывает данные, анализирует их и выводит в читаемом виде на дисплей часов или смартфона.

Термометры

Даже элементарный термометр может дать довольно точную оценку температуры кожи. Чем выше температура, тем активнее проходит тренировка. Информация о температуре кожи сравнивается с показаниями других датчиков, после чего устройство предоставляет данные об активности тренировки пользователю.

Оценка освещенности

Здесь все просто. Датчик освещенности обычно включает фотоэлемент, который дает больше тока, если уровень освещенности растет. Соответственно, устройство «понимает», какое сейчас время суток, сравнивая данные по уровню освещенности с показаниями времени.

Примерно так же работают и датчики УФ освещения, правда, в этом случае фотоэлемент настроен только на УФ-спектр, а не на регистрацию видимого освещения.

Биоимпедансные сенсоры

Датчики такого типа есть в Jawbone UP3 и некоторых других трекерах. Подобный модуль может определять сразу три показателя: частоту сердечного ритма, частоту дыхания и проводимость кожи.

По словам представителей компании, биоимпедансные сенсоры фиксируют мелкие изменения в организме, и на основе этих данных специальный алгоритм просчитывает указанные выше показатели.

Вывод

В фитнес-трекере или умных часах может быть большое количество разнообразных сенсоров. Но без детального анализа получаемых данных эта информация ничего не стоит. Поэтому большое значение имеет программное обеспечение, которое проводит обработку и хранение результатов измерения.

Чем совершеннее программа, тем больше полезной и, главное, понятной информации получает пользователь.

Метки мобильные датчики, разборка

Акселерометр в смарт часах что это

В этой статье мы попросили мастера ответить на вопрос: «Акселерометр в смарт часах что это?», а также дать полезные рекомендации для наших читателей. Что из этого получилось, читайте далее.

Apple выпустит осенью сразу несколько моделей умных часов iWatch. Детали о дизайне, дате выхода и функциях грядущего устройства девайса опубликовали со ссылкой на анонимные источники информагентство Reuters и тематическое издание MacWorld.

По данным СМИ, носимый компьютер Apple будет содержать 10 датчиков, включая сенсоры, фиксирующие активность при занятии фитнесом. Такое количество необходимо, чтобы функциональность iWatch была заведомо шире, чем у смартфонов. Делая замеры на протяжении всего дня, владелец гаджета сможет получить картину общего самочувствия и своего физического состояния.

1. Акселерометр

Акселерометр (G-сенсор) — это миниатюрный датчик, который, если говорить научным языком, измеряет проекцию кажущегося ускорения. Если говорить проще, то он определяет угол наклона гаджета относительно поверхности Земли. Программное обеспечение, получающее информацию об угле наклона с акселерометра, поворачивает изображение на экране.

Гироскоп (гиродатчик) служит для определения ориентации устройства в пространстве, для отслеживания его перемещения. Программное обеспечение, используемое вместе с гироскопом, способно быстро реагировать на перемещение девайса в пространстве и принимать соответствующие решения.

3. Магнитометр

Магнитометр – это модуль для измерения характеристик магнитного поля и магнитных свойств материалов. Другими словами, цифровой компас.

4. Датчик барометрического давления

Барометр будет измерять атмосферное давление в текущем местоположении владельца iWatch и определять высоту над уровнем моря. Эта функция особенно пригодится, когда пользователь передвигается по наклонным плоскостям, будь то холм или гора, потому как барометр помогает, в зависимости от атмосферного давления и высоты, подсчитать точное количество калорий, которые сжигаются во время прогулки.

5. Датчик температуры окружающей среды

Это простой сенсор, с помощью которого «умные» часы смогут мониторить температуру окружающей среды. Стандартные датчики работают в диапазонах от -20 до +50С. С его помощью часы смогут определить оптимальный уровень комфорта и откорректировать погрешности давления, вызванные изменением температуры воздуха.

6. Монитор сердечного ритма

Монитор сердечного ритма или как их часто называют пульсометры, кардиомониторы или даже пульсомеры, в iWatch станет помощником как для профессиональных бегунов, так и для любителей джоггинга. Он позволит отслеживать сердечную деятельность, пульс и давление, помогая внести коррективы в план пробежек.

7. Датчик оксиометрии

С помощью датчика оксиометрии компьютеризированные часы смогут измерять насыщенность крови кислородом. Подобные сенсоры состоят из двух частей: светоизлучающих диодов и детектора света (фотодетектора). Световые лучи проходят через кожу. Кровь и ткани поглощают определенное количество света, излученного датчиком, которое зависит от степени насыщения гемоглобина крови кислородом. Фотодетектор, в свою очередь, улавливает свет, прошедший через ткани, а устройство рассчитывает показатели организма.

8. Датчик проводимости кожи

Модуль кожно-гальванической реакции будет измерять проводимость кожи. Данный параметр меняется в зависимости от состояния симпатической нервной системы. На изменения проводимости влияют бессознательные эмоции, такие как внезапный шум, запах, прикосновение, боль и т.д.

9. Датчик температуры кожи

Датчик температуры кожи будет измерять температуру тела человека. Сравнивая показания с модулем, фиксирующим температуру окружающего воздуха, устройство сможет определить интенсивность тренировки и нагрузок на организм человека.

Стандартный для мобильных устройств модуль приёма-передачи данных для спутникового контроля, использующий системы Global Positioning System для точного определения местонахождения человека.

О том, что iWatch будут созданы с большим упором именно на отслеживание множества параметров состояния здоровья пользователя, мы писали ещё в феврале. Именно поэтому последние утечки данных не вызывают удивления. Ранее сообщалось, Apple выбрала несколько известных спортсменов для тестирования своих часов.

Анонс часов ожидается в октябре с появлением их в продаже в течение месяца.

Следите за новостями Apple в нашем Telegram-канале, а также в приложении MacDigger на iOS.

Присоединяйтесь к нам в Twitter, ВКонтакте, Facebook, Google+ или через RSS, чтобы быть в курсе последних новостей из мира Apple, Microsoft и Google.

Датчик под названием акселерометр (он же G-сенсор) создан для того, чтобы определять наклон устройства относительно положения земли. Так, каждый владелец смартфона или фитнес-браслета, часто не подозревая об этом, использует акселерометр.

Практически все современные смартфоны и планшеты оснащаются акселерометром. Он необходим для того, чтобы замерять уровень смещения относительно уровня покоя, в любое время замерять активность человека, распознавать и демонстрировать положение в пространстве. Встроенный акселерометр дает возможность оперативного управления телефоном за счет моментального реагирования на изменения его положения. За счет этого устройства при смене положения смартфона поворачивается его экран для максимального удобства. Кстати, именно акселерометр защищает от удаления всех записей в случае непредвиденной ситуации. Таким образом акселерометр является незаменимым элементом любого смартфона.

Если в смартфонах такой датчик устанавливается для определения положения экрана, то в фитнес-браслетах он применяется с единственной целью: подсчет числа сделанных шагов, а также определение пройденной человеком дистанции. Большинство моделей фитнес-браслетов также могут определять сердечный ритм и различать состояние бодрствования и сна.

В часах акселерометр устанавливается с той же целью, что и в фитнес браслетах Устройство подсчитывает количество шагов, показатели физической активности, создает отчеты в соответствующих приложениях, подсчитывает, какое количество калорий человек потратил в процессе физической тренировки. Фитнес-часы – это отличное устройство для тех, кто занимается спортом и следит за своим здоровьем.

G-сенсор представляет собой крошечный чип. Он ставится на плате устройства. В двух словах: данный чип представляет собой особую инертную массу, которая крепится к достаточно гибкой и подвижной составляющей части, закрепляемой на на подвижном элементе. Чтобы подавлять любые случайные мини колебания инертная масса должна быть присоединена к демпферу.

Принцип акселерометра заключается в том, что он производит замер уровня смещения относительно уровня состояния покоя. Далее происходит преобразование получаемой информации в электросигнал. Последний, в свою очередь, переходит к программному обеспечению, электронике. Так выглядит упрощенный пример работы датчика. Чтобы акселерометр давал точные результаты для его изготовления требуются максимально точные пропорции и расчеты. Датчик не создается вручную. Для его изготовления используются химические реакции и полностью автоматизированное производство.

Любой акселерометр-браслет намного удобнее, чем смартфон, используемый в тех же целях. Можно выделить следующие преимущества таких устройств:

  • Носить телефон в руке для того, чтобы фиксировать все данные при движении, неудобно. К тому, же его нельзя брать с собой при занятиях плаванием. Фитнес браслет надежно крепится на руке и сопровождает своего владельца повсюду.
  • Чтобы использовать смартфон в качестве фитнес-браслета, потребуется постоянно держать его подключенным к интернету и другим приложениям. Фитнес-браслет достаточно синхронизировать с интернетом всего один раз в сутки.
  • Чтобы сохранить данные в телефоне также потребуется использование специальных программ. В браслете сохранение данных осуществляется автоматически без загрузки каких-либо дополнительных приложений.

Сегодня многие не знают, чем отличается гироскоп от акселерометра. Многие путают даже названия этих устройств. Между тем, главное отличие заключается в принципе работы акселерометра и гироскопа. Если акселерометр замеряет уровень наклона по отношению к земле путем расчета собственного успокоения, то гироскоп производит замер угла наклона относительно земли. Эти острова могут работать по отдельности, но в большинстве смартфонов он устанавливаются совместно, дополняя работу друг друга.

«Умные» часы еще не успели закрепиться как класс устройств, а дизайнеры уже вовсю улучшают их эргономику. Как правило, умным часам (помимо работы от батарейки), ставят в вину то, что их экран редко повернут к человеку под правильным углом: определять время еще более или менее удобно, а вот читать сообщения – уже нет. Запястье приходится вращать, пытаясь найти правильное положение кисти. Корейский дизайнер Кван Ю (Kwan Yoo) предложил интересное решение этой проблемы.

В концепте Watch-ME дизайнер предлагает не просто использовать гибкий дисплей, а задействовать гироскоп, определяющий положение кисти и выводящий уведомления под правильным углом. Можно пить чай, печатать или вести машину и при этом отлично видеть текст: он будет «плавать» по дисплею вслед за движениями руки, всегда оставаясь на виду.

В версии Квана OLED-дисплей часов имеет размер 140×20 мм и растянут почти по всей длине браслета. На экране могут располагаться самые разные виджеты и уведомления. Со смартфоном Watch-ME соединяются традиционно – посредством Bluetooth.

Возможно у Вас есть свои мнения на тему «Акселерометр в смарт часах что это»? Напишите об этом в комментариях.

в фитнес браслете, в телефоне и в часах

Средняя оценка+3

Сохранить в закладкиСохраненоУдалено 0

Средняя оценка+3

Когда-то это слово вызывало ассоциацию с лабораториями, испытательными стендами, скоростной техникой – и уж точно не с предметами, которые мы носим в карманах. Сейчас в порядке вещей, если вы носите с собой сразу три устройства, в состав которых входит акселерометр. Итак, мы расскажем что такое акселерометр и зачем он нужен в телефоне, в фитнес-браслете и часах и разберемся чем он отличается от гироскопа. А также произведем калибровку в смартфоне на Android и iPhone.

Содержание страницы

Что такое акселерометр

Если говорить простым языком, то акселерометр – это прибор для измерения ускорения. Он применяется как датчик изменения положения устройства в пространстве и таким образом определяет направление, степень, скорость отклонения. Именно акселерометр отвечает за разворот картинки на экране вашего смартфона при повороте корпуса или как еще пример, включает экран фитнес-браслета или смарт-часов, когда вы наклоняете запястье.

Сегодня акселерометр в телефоне – это обязательный элемент. Однако ещё десять-двенадцать лет назад первые смартфоны, в которых был G-сенсор, воспринимались как чудо. Давайте разбираться, зачем нужен этот датчик, если столько лет обходились без него.

Принцип работы

Образно говоря, акселерометр в смартфоне – это необходимый элемент для качественного отображения картинки. Впрочем, есть для него и другие применения. Современные телефоны вполне способны работать как шагомеры или отслеживать качество сна по тому, как вы ворочаетесь под одеялом.

Смотрите видео, где подробно рассказывается о принципе работы акселерометра:

Акселерометр в фитнес-браслете и смарт-часах

Акселерометр в фитнес-браслете и смарт-часах помогает считать количество пройденных шагов. Собственно, это акселерометр в браслете и в smart-часах отслеживает ваши движения даже во сне. А программная обработка его показаний помогает распознать, идёте вы или бежите, с какой скоростью, как много шагов подряд сделали.

Когда вы поднимаете руку к лицу и дисплей автоматически включается – это тоже благодаря распознаванию жестов с помощью того же маленького, но полезного модуля.

Как выглядит акселерометр в телефоне

Акселерометр в телефоне выглядит как обычный чип. В зависимости от модели смартфона может на вид незначительно отличаться.

Вот так выглядит акселерометр в телефоне

Принцип работы представить себе проще на примере механического варианта: в нём есть массивный элемент, закреплённый упругими подвесами, давление на которые можно измерить. В зависимости от задачи, подвесов может быть от одного до трёх.

Электронный акселерометр вместо массивного тела использует набор проводников, которые могут двигаться под воздействием ускорения и изменять напряжённость поля вокруг себя. По показаниям напряжённости можно определить, в какую сторону сдвинулись проводники и какое движение корпуса вызвало этот сдвиг. Комплексный датчик, включающий гироскоп, может иметь больше осей – до шести.

Трёхосный акселерометр довольно точно определяет как положение тела в пространстве в каждый момент, так и его изменение. При этом он постоянно собирает и отправляет информацию о давлении на подвесы.

Что это даёт? Так, например, датчик акселерометра в телефоне помогает не только определить положение корпуса устройства в пространстве, но и скорость, с которой вы перемещаетесь, и сотрясения, производимые вашими шагами, и намеренные встряхивания смартфона.

Именно поэтому, повернув корпус телефона, вы наблюдаете, как картинка на экране тоже поворачивается. Именно поэтому вы можете в гоночной игре рулить, используя смартфон или геймпад как рулевое колесо. Именно поэтому фитнес-трекер умеет подсчитывать ваши шаги или отслеживать качество сна.

Как узнать, есть ли акселерометр в телефоне

Практически во всех смартфонах и планшетах, выпущенных в эпоху Android и iOS, этот датчик есть. Даже в самом первом айфоне, выпущенном в 2007 году, и в первом Samsung Galaxy S, вышедшем в 2010-м.

Если вы сомневаетесь, есть ли он в вашем устройстве, то просто почитайте официальное описание. В ранних Андроид-смартфонах поворот экрана не обязательно включался по умолчанию, поэтому, если вы повернули свой телефон и дисплей не отреагировал, это ещё ни говорит об отсутствии акселерометра. Вероятнее всего, что он отключен в настройках телефона. Найдите похожую иконку, как на рисунке ниже и активируйте.

Настройка/калибровка акселерометра на смартфоне

Калибровка Android

Калибровка акселерометра на Android нужна, например, в случае, если смартфон начал неправильно считать шаги или неверно определять положение корпуса. Штатных программ для этого нет, но, чтобы откалибровать акселерометр, существуют специальные приложения, однако лучшим вариантом признаётся приложение GPS Status & Toolbox (Скачать Google Play). В его разделе Toolbox есть специальный инструмент, который так и называется – «Калибровка акселерометра». Положите телефон на ровную поверхность и следуйте инструкциям.

Посмотрите видео инструкцию, как быстро откалибровать телефон. 

Калибровка G Sensor для игр

Посмотрите видео: калибровка G Sensor для игр на Android.

Калибровка iPhone

Инструментов для калибровки iPhone нет, но в случае чисто программного сбоя обычно спасает простая перезагрузка. Если проблема осталась, пишите в комментариях, постараемся помочь.

Чем отличается акселерометр от гироскопа

Как правило, акселерометр в смартфоне работает в паре с гироскопом. Эту практику ввела Apple в модели iPhone 4, и не прогадала. Комбинация двух датчиков сейчас стала настолько обыденной, что не все пользователи понимают разницу между этими двумя приборами.

Если вкратце, то в гироскопе ключевой массивный элемент закреплён и сопротивляется попытке поворота, порождая силу Кориолиса, которую можно измерить. Современный гироскоп способен в общем случае на более точное измерение угла наклона и более быструю реакцию. А сочетание этих двух датчиков даёт гораздо лучший результат, чем использование только одного.

Поэтому в современных смартфонах обычно устанавливается комплексный измеритель, в который входят оба датчика. Первую такую модель выпустила компания InvenSense в 2010 году, и в ней два 3-осных датчика формировали шестиосный комплекс. Разумеется, первыми инновацию оценили пользователи Apple, но вскоре она стала стандартом для всей индустрии.

Конечно, если вы спутаете акселерометр и гироскоп в «бытовом» смысле, это не страшно. Но вообще это совершенно разные измерительные приборы, и измеряют они разные значения, хотя и служат примерно для одной цели.

Вывод

Подведем итог.  Акселерометр, это один из ключевых элементов современной носимой электроники, который расширяет функциональность и возможности управления. Сейчас он есть во всех смартфонах и смарт-часах, а в фитнес-трекерах является главным датчиком всей системы. Если остались вопросы, задавайте в комментариях, мы с радостью на них ответим.

  • Была ли полезной информация ?
  • ДаНет

в фитнес браслете, в телефоне и в часах

Средняя оценка+3

Сохранить в закладкиСохраненоУдалено 0

Средняя оценка+3

Когда-то это слово вызывало ассоциацию с лабораториями, испытательными стендами, скоростной техникой – и уж точно не с предметами, которые мы носим в карманах. Сейчас в порядке вещей, если вы носите с собой сразу три устройства, в состав которых входит акселерометр. Итак, мы расскажем что такое акселерометр и зачем он нужен в телефоне, в фитнес-браслете и часах и разберемся чем он отличается от гироскопа. А также произведем калибровку в смартфоне на Android и iPhone.

Содержание страницы

Что такое акселерометр

Если говорить простым языком, то акселерометр – это прибор для измерения ускорения. Он применяется как датчик изменения положения устройства в пространстве и таким образом определяет направление, степень, скорость отклонения. Именно акселерометр отвечает за разворот картинки на экране вашего смартфона при повороте корпуса или как еще пример, включает экран фитнес-браслета или смарт-часов, когда вы наклоняете запястье.

Сегодня акселерометр в телефоне – это обязательный элемент. Однако ещё десять-двенадцать лет назад первые смартфоны, в которых был G-сенсор, воспринимались как чудо. Давайте разбираться, зачем нужен этот датчик, если столько лет обходились без него.

Принцип работы

Образно говоря, акселерометр в смартфоне – это необходимый элемент для качественного отображения картинки. Впрочем, есть для него и другие применения. Современные телефоны вполне способны работать как шагомеры или отслеживать качество сна по тому, как вы ворочаетесь под одеялом.

Смотрите видео, где подробно рассказывается о принципе работы акселерометра:

Акселерометр в фитнес-браслете и смарт-часах

Акселерометр в фитнес-браслете и смарт-часах помогает считать количество пройденных шагов. Собственно, это акселерометр в браслете и в smart-часах отслеживает ваши движения даже во сне. А программная обработка его показаний помогает распознать, идёте вы или бежите, с какой скоростью, как много шагов подряд сделали.

Когда вы поднимаете руку к лицу и дисплей автоматически включается – это тоже благодаря распознаванию жестов с помощью того же маленького, но полезного модуля.

Как выглядит акселерометр в телефоне

Акселерометр в телефоне выглядит как обычный чип. В зависимости от модели смартфона может на вид незначительно отличаться.

Вот так выглядит акселерометр в телефоне

Принцип работы представить себе проще на примере механического варианта: в нём есть массивный элемент, закреплённый упругими подвесами, давление на которые можно измерить. В зависимости от задачи, подвесов может быть от одного до трёх.

Электронный акселерометр вместо массивного тела использует набор проводников, которые могут двигаться под воздействием ускорения и изменять напряжённость поля вокруг себя. По показаниям напряжённости можно определить, в какую сторону сдвинулись проводники и какое движение корпуса вызвало этот сдвиг. Комплексный датчик, включающий гироскоп, может иметь больше осей – до шести.

Трёхосный акселерометр довольно точно определяет как положение тела в пространстве в каждый момент, так и его изменение. При этом он постоянно собирает и отправляет информацию о давлении на подвесы.

Что это даёт? Так, например, датчик акселерометра в телефоне помогает не только определить положение корпуса устройства в пространстве, но и скорость, с которой вы перемещаетесь, и сотрясения, производимые вашими шагами, и намеренные встряхивания смартфона.

Именно поэтому, повернув корпус телефона, вы наблюдаете, как картинка на экране тоже поворачивается. Именно поэтому вы можете в гоночной игре рулить, используя смартфон или геймпад как рулевое колесо. Именно поэтому фитнес-трекер умеет подсчитывать ваши шаги или отслеживать качество сна.

Как узнать, есть ли акселерометр в телефоне

Практически во всех смартфонах и планшетах, выпущенных в эпоху Android и iOS, этот датчик есть. Даже в самом первом айфоне, выпущенном в 2007 году, и в первом Samsung Galaxy S, вышедшем в 2010-м.

Если вы сомневаетесь, есть ли он в вашем устройстве, то просто почитайте официальное описание. В ранних Андроид-смартфонах поворот экрана не обязательно включался по умолчанию, поэтому, если вы повернули свой телефон и дисплей не отреагировал, это ещё ни говорит об отсутствии акселерометра. Вероятнее всего, что он отключен в настройках телефона. Найдите похожую иконку, как на рисунке ниже и активируйте.

Настройка/калибровка акселерометра на смартфоне

Калибровка Android

Калибровка акселерометра на Android нужна, например, в случае, если смартфон начал неправильно считать шаги или неверно определять положение корпуса. Штатных программ для этого нет, но, чтобы откалибровать акселерометр, существуют специальные приложения, однако лучшим вариантом признаётся приложение GPS Status & Toolbox (Скачать Google Play). В его разделе Toolbox есть специальный инструмент, который так и называется – «Калибровка акселерометра». Положите телефон на ровную поверхность и следуйте инструкциям.

Посмотрите видео инструкцию, как быстро откалибровать телефон. 

Калибровка G Sensor для игр

Посмотрите видео: калибровка G Sensor для игр на Android.

Калибровка iPhone

Инструментов для калибровки iPhone нет, но в случае чисто программного сбоя обычно спасает простая перезагрузка. Если проблема осталась, пишите в комментариях, постараемся помочь.

Чем отличается акселерометр от гироскопа

Как правило, акселерометр в смартфоне работает в паре с гироскопом. Эту практику ввела Apple в модели iPhone 4, и не прогадала. Комбинация двух датчиков сейчас стала настолько обыденной, что не все пользователи понимают разницу между этими двумя приборами.

Если вкратце, то в гироскопе ключевой массивный элемент закреплён и сопротивляется попытке поворота, порождая силу Кориолиса, которую можно измерить. Современный гироскоп способен в общем случае на более точное измерение угла наклона и более быструю реакцию. А сочетание этих двух датчиков даёт гораздо лучший результат, чем использование только одного.

Поэтому в современных смартфонах обычно устанавливается комплексный измеритель, в который входят оба датчика. Первую такую модель выпустила компания InvenSense в 2010 году, и в ней два 3-осных датчика формировали шестиосный комплекс. Разумеется, первыми инновацию оценили пользователи Apple, но вскоре она стала стандартом для всей индустрии.

Конечно, если вы спутаете акселерометр и гироскоп в «бытовом» смысле, это не страшно. Но вообще это совершенно разные измерительные приборы, и измеряют они разные значения, хотя и служат примерно для одной цели.

Вывод

Подведем итог.  Акселерометр, это один из ключевых элементов современной носимой электроники, который расширяет функциональность и возможности управления. Сейчас он есть во всех смартфонах и смарт-часах, а в фитнес-трекерах является главным датчиком всей системы. Если остались вопросы, задавайте в комментариях, мы с радостью на них ответим.

  • Была ли полезной информация ?
  • ДаНет

в фитнес браслете, в телефоне и в часах

Средняя оценка+3

Сохранить в закладкиСохраненоУдалено 0

Средняя оценка+3

Когда-то это слово вызывало ассоциацию с лабораториями, испытательными стендами, скоростной техникой – и уж точно не с предметами, которые мы носим в карманах. Сейчас в порядке вещей, если вы носите с собой сразу три устройства, в состав которых входит акселерометр. Итак, мы расскажем что такое акселерометр и зачем он нужен в телефоне, в фитнес-браслете и часах и разберемся чем он отличается от гироскопа. А также произведем калибровку в смартфоне на Android и iPhone.

Содержание страницы

Что такое акселерометр

Если говорить простым языком, то акселерометр – это прибор для измерения ускорения. Он применяется как датчик изменения положения устройства в пространстве и таким образом определяет направление, степень, скорость отклонения. Именно акселерометр отвечает за разворот картинки на экране вашего смартфона при повороте корпуса или как еще пример, включает экран фитнес-браслета или смарт-часов, когда вы наклоняете запястье.

Сегодня акселерометр в телефоне – это обязательный элемент. Однако ещё десять-двенадцать лет назад первые смартфоны, в которых был G-сенсор, воспринимались как чудо. Давайте разбираться, зачем нужен этот датчик, если столько лет обходились без него.

Принцип работы

Образно говоря, акселерометр в смартфоне – это необходимый элемент для качественного отображения картинки. Впрочем, есть для него и другие применения. Современные телефоны вполне способны работать как шагомеры или отслеживать качество сна по тому, как вы ворочаетесь под одеялом.

Смотрите видео, где подробно рассказывается о принципе работы акселерометра:

Акселерометр в фитнес-браслете и смарт-часах

Акселерометр в фитнес-браслете и смарт-часах помогает считать количество пройденных шагов. Собственно, это акселерометр в браслете и в smart-часах отслеживает ваши движения даже во сне. А программная обработка его показаний помогает распознать, идёте вы или бежите, с какой скоростью, как много шагов подряд сделали.

Когда вы поднимаете руку к лицу и дисплей автоматически включается – это тоже благодаря распознаванию жестов с помощью того же маленького, но полезного модуля.

Как выглядит акселерометр в телефоне

Акселерометр в телефоне выглядит как обычный чип. В зависимости от модели смартфона может на вид незначительно отличаться.

Вот так выглядит акселерометр в телефоне

Принцип работы представить себе проще на примере механического варианта: в нём есть массивный элемент, закреплённый упругими подвесами, давление на которые можно измерить. В зависимости от задачи, подвесов может быть от одного до трёх.

Электронный акселерометр вместо массивного тела использует набор проводников, которые могут двигаться под воздействием ускорения и изменять напряжённость поля вокруг себя. По показаниям напряжённости можно определить, в какую сторону сдвинулись проводники и какое движение корпуса вызвало этот сдвиг. Комплексный датчик, включающий гироскоп, может иметь больше осей – до шести.

Трёхосный акселерометр довольно точно определяет как положение тела в пространстве в каждый момент, так и его изменение. При этом он постоянно собирает и отправляет информацию о давлении на подвесы.

Что это даёт? Так, например, датчик акселерометра в телефоне помогает не только определить положение корпуса устройства в пространстве, но и скорость, с которой вы перемещаетесь, и сотрясения, производимые вашими шагами, и намеренные встряхивания смартфона.

Именно поэтому, повернув корпус телефона, вы наблюдаете, как картинка на экране тоже поворачивается. Именно поэтому вы можете в гоночной игре рулить, используя смартфон или геймпад как рулевое колесо. Именно поэтому фитнес-трекер умеет подсчитывать ваши шаги или отслеживать качество сна.

Как узнать, есть ли акселерометр в телефоне

Практически во всех смартфонах и планшетах, выпущенных в эпоху Android и iOS, этот датчик есть. Даже в самом первом айфоне, выпущенном в 2007 году, и в первом Samsung Galaxy S, вышедшем в 2010-м.

Если вы сомневаетесь, есть ли он в вашем устройстве, то просто почитайте официальное описание. В ранних Андроид-смартфонах поворот экрана не обязательно включался по умолчанию, поэтому, если вы повернули свой телефон и дисплей не отреагировал, это ещё ни говорит об отсутствии акселерометра. Вероятнее всего, что он отключен в настройках телефона. Найдите похожую иконку, как на рисунке ниже и активируйте.

Настройка/калибровка акселерометра на смартфоне

Калибровка Android

Калибровка акселерометра на Android нужна, например, в случае, если смартфон начал неправильно считать шаги или неверно определять положение корпуса. Штатных программ для этого нет, но, чтобы откалибровать акселерометр, существуют специальные приложения, однако лучшим вариантом признаётся приложение GPS Status & Toolbox (Скачать Google Play). В его разделе Toolbox есть специальный инструмент, который так и называется – «Калибровка акселерометра». Положите телефон на ровную поверхность и следуйте инструкциям.

Посмотрите видео инструкцию, как быстро откалибровать телефон. 

Калибровка G Sensor для игр

Посмотрите видео: калибровка G Sensor для игр на Android.

Калибровка iPhone

Инструментов для калибровки iPhone нет, но в случае чисто программного сбоя обычно спасает простая перезагрузка. Если проблема осталась, пишите в комментариях, постараемся помочь.

Чем отличается акселерометр от гироскопа

Как правило, акселерометр в смартфоне работает в паре с гироскопом. Эту практику ввела Apple в модели iPhone 4, и не прогадала. Комбинация двух датчиков сейчас стала настолько обыденной, что не все пользователи понимают разницу между этими двумя приборами.

Если вкратце, то в гироскопе ключевой массивный элемент закреплён и сопротивляется попытке поворота, порождая силу Кориолиса, которую можно измерить. Современный гироскоп способен в общем случае на более точное измерение угла наклона и более быструю реакцию. А сочетание этих двух датчиков даёт гораздо лучший результат, чем использование только одного.

Поэтому в современных смартфонах обычно устанавливается комплексный измеритель, в который входят оба датчика. Первую такую модель выпустила компания InvenSense в 2010 году, и в ней два 3-осных датчика формировали шестиосный комплекс. Разумеется, первыми инновацию оценили пользователи Apple, но вскоре она стала стандартом для всей индустрии.

Конечно, если вы спутаете акселерометр и гироскоп в «бытовом» смысле, это не страшно. Но вообще это совершенно разные измерительные приборы, и измеряют они разные значения, хотя и служат примерно для одной цели.

Вывод

Подведем итог.  Акселерометр, это один из ключевых элементов современной носимой электроники, который расширяет функциональность и возможности управления. Сейчас он есть во всех смартфонах и смарт-часах, а в фитнес-трекерах является главным датчиком всей системы. Если остались вопросы, задавайте в комментариях, мы с радостью на них ответим.

  • Была ли полезной информация ?
  • ДаНет

в фитнес браслете, в телефоне и в часах

Средняя оценка+3

Сохранить в закладкиСохраненоУдалено 0

Средняя оценка+3

Когда-то это слово вызывало ассоциацию с лабораториями, испытательными стендами, скоростной техникой – и уж точно не с предметами, которые мы носим в карманах. Сейчас в порядке вещей, если вы носите с собой сразу три устройства, в состав которых входит акселерометр. Итак, мы расскажем что такое акселерометр и зачем он нужен в телефоне, в фитнес-браслете и часах и разберемся чем он отличается от гироскопа. А также произведем калибровку в смартфоне на Android и iPhone.

Содержание страницы

Что такое акселерометр

Если говорить простым языком, то акселерометр – это прибор для измерения ускорения. Он применяется как датчик изменения положения устройства в пространстве и таким образом определяет направление, степень, скорость отклонения. Именно акселерометр отвечает за разворот картинки на экране вашего смартфона при повороте корпуса или как еще пример, включает экран фитнес-браслета или смарт-часов, когда вы наклоняете запястье.

Сегодня акселерометр в телефоне – это обязательный элемент. Однако ещё десять-двенадцать лет назад первые смартфоны, в которых был G-сенсор, воспринимались как чудо. Давайте разбираться, зачем нужен этот датчик, если столько лет обходились без него.

Принцип работы

Образно говоря, акселерометр в смартфоне – это необходимый элемент для качественного отображения картинки. Впрочем, есть для него и другие применения. Современные телефоны вполне способны работать как шагомеры или отслеживать качество сна по тому, как вы ворочаетесь под одеялом.

Смотрите видео, где подробно рассказывается о принципе работы акселерометра:

Акселерометр в фитнес-браслете и смарт-часах

Акселерометр в фитнес-браслете и смарт-часах помогает считать количество пройденных шагов. Собственно, это акселерометр в браслете и в smart-часах отслеживает ваши движения даже во сне. А программная обработка его показаний помогает распознать, идёте вы или бежите, с какой скоростью, как много шагов подряд сделали.

Когда вы поднимаете руку к лицу и дисплей автоматически включается – это тоже благодаря распознаванию жестов с помощью того же маленького, но полезного модуля.

Как выглядит акселерометр в телефоне

Акселерометр в телефоне выглядит как обычный чип. В зависимости от модели смартфона может на вид незначительно отличаться.

Вот так выглядит акселерометр в телефоне

Принцип работы представить себе проще на примере механического варианта: в нём есть массивный элемент, закреплённый упругими подвесами, давление на которые можно измерить. В зависимости от задачи, подвесов может быть от одного до трёх.

Электронный акселерометр вместо массивного тела использует набор проводников, которые могут двигаться под воздействием ускорения и изменять напряжённость поля вокруг себя. По показаниям напряжённости можно определить, в какую сторону сдвинулись проводники и какое движение корпуса вызвало этот сдвиг. Комплексный датчик, включающий гироскоп, может иметь больше осей – до шести.

Трёхосный акселерометр довольно точно определяет как положение тела в пространстве в каждый момент, так и его изменение. При этом он постоянно собирает и отправляет информацию о давлении на подвесы.

Что это даёт? Так, например, датчик акселерометра в телефоне помогает не только определить положение корпуса устройства в пространстве, но и скорость, с которой вы перемещаетесь, и сотрясения, производимые вашими шагами, и намеренные встряхивания смартфона.

Именно поэтому, повернув корпус телефона, вы наблюдаете, как картинка на экране тоже поворачивается. Именно поэтому вы можете в гоночной игре рулить, используя смартфон или геймпад как рулевое колесо. Именно поэтому фитнес-трекер умеет подсчитывать ваши шаги или отслеживать качество сна.

Как узнать, есть ли акселерометр в телефоне

Практически во всех смартфонах и планшетах, выпущенных в эпоху Android и iOS, этот датчик есть. Даже в самом первом айфоне, выпущенном в 2007 году, и в первом Samsung Galaxy S, вышедшем в 2010-м.

Если вы сомневаетесь, есть ли он в вашем устройстве, то просто почитайте официальное описание. В ранних Андроид-смартфонах поворот экрана не обязательно включался по умолчанию, поэтому, если вы повернули свой телефон и дисплей не отреагировал, это ещё ни говорит об отсутствии акселерометра. Вероятнее всего, что он отключен в настройках телефона. Найдите похожую иконку, как на рисунке ниже и активируйте.

Настройка/калибровка акселерометра на смартфоне

Калибровка Android

Калибровка акселерометра на Android нужна, например, в случае, если смартфон начал неправильно считать шаги или неверно определять положение корпуса. Штатных программ для этого нет, но, чтобы откалибровать акселерометр, существуют специальные приложения, однако лучшим вариантом признаётся приложение GPS Status & Toolbox (Скачать Google Play). В его разделе Toolbox есть специальный инструмент, который так и называется – «Калибровка акселерометра». Положите телефон на ровную поверхность и следуйте инструкциям.

Посмотрите видео инструкцию, как быстро откалибровать телефон. 

Калибровка G Sensor для игр

Посмотрите видео: калибровка G Sensor для игр на Android.

Калибровка iPhone

Инструментов для калибровки iPhone нет, но в случае чисто программного сбоя обычно спасает простая перезагрузка. Если проблема осталась, пишите в комментариях, постараемся помочь.

Чем отличается акселерометр от гироскопа

Как правило, акселерометр в смартфоне работает в паре с гироскопом. Эту практику ввела Apple в модели iPhone 4, и не прогадала. Комбинация двух датчиков сейчас стала настолько обыденной, что не все пользователи понимают разницу между этими двумя приборами.

Если вкратце, то в гироскопе ключевой массивный элемент закреплён и сопротивляется попытке поворота, порождая силу Кориолиса, которую можно измерить. Современный гироскоп способен в общем случае на более точное измерение угла наклона и более быструю реакцию. А сочетание этих двух датчиков даёт гораздо лучший результат, чем использование только одного.

Поэтому в современных смартфонах обычно устанавливается комплексный измеритель, в который входят оба датчика. Первую такую модель выпустила компания InvenSense в 2010 году, и в ней два 3-осных датчика формировали шестиосный комплекс. Разумеется, первыми инновацию оценили пользователи Apple, но вскоре она стала стандартом для всей индустрии.

Конечно, если вы спутаете акселерометр и гироскоп в «бытовом» смысле, это не страшно. Но вообще это совершенно разные измерительные приборы, и измеряют они разные значения, хотя и служат примерно для одной цели.

Вывод

Подведем итог.  Акселерометр, это один из ключевых элементов современной носимой электроники, который расширяет функциональность и возможности управления. Сейчас он есть во всех смартфонах и смарт-часах, а в фитнес-трекерах является главным датчиком всей системы. Если остались вопросы, задавайте в комментариях, мы с радостью на них ответим.

  • Была ли полезной информация ?
  • ДаНет

Умные часы

теперь могут определять, что делают ваши руки.

Одной из основных причин для приобретения умных часов является то, что они действуют как фитнес-трекер, отслеживая ваши физические движения в течение дня. Большинство умных часов оснащено акселерометрами, которые измеряют, как движения меняются с течением времени — в настоящее время это означает отслеживание того, ходите ли вы, бегаете, едете на велосипеде или спите.

Теперь два исследователя из Университета Карнеги-Меллона нашли способ использовать существующий акселерометр в умных часах LG, чтобы также измерять, что ваши руки делают, пока вы их носите.Документ, представленный на ежегодной конференции ACM по взаимодействию компьютера и человека, указывает на еще один способ, которым электроника может узнать о своих пользователях с помощью датчика, который уже существует в большинстве современных носимых устройств и смартфонов.

В ходе исследования исследователи отслеживали движения рук 50 участников, которые отмечали, что они делали руками через равные промежутки времени в течение почти 1000 часов, чтобы создать базу данных общих движений рук. Затем они смогли разработать алгоритм, который распознает 95.Точность 2% — иногда очень тонкие различия между 25 обычными движениями рук, включая мытье рук, мытье посуды, прокрутку на телефоне, использование пульта дистанционного управления и набор текста.

Чтобы уловить такие тонкие различия между движениями, исследователи перевели акселерометры в высокоскоростной режим, который предоставил им более детальную информацию, которая включала ориентацию руки, модели движений и даже некоторую биоакустическую информацию, которая состоит из микровибраций, которые распространяются вверх по руке пользователя.Крис Харрисон, глава Future Interfaces Group в Университете Карнеги-Меллона и соавтор статьи, говорит, что это почти как держать стетоскоп в руке. Сверточная нейронная сеть, которая представляет собой тип алгоритма машинного обучения, смогла найти закономерности, используя всю эту информацию, и связать ее с определенными движениями рук.

«Это открывает совершенно новый мир высококачественного распознавания действий, который ранее был невозможен», — сообщил Харрисон Fast Company по электронной почте.«Мы можем, например, отслеживать ваш набор текста, чтобы рекомендовать (или предписывать) перерывы».

Харрисон указывает на другие аналогичные контекстно-зависимые приложения. Например, ваши часы могут отслеживать, когда и как долго вы едите, для приложения, которое поможет вам отслеживать потребление калорий. Точно так же ваши часы могут напоминать вам о необходимости выпить больше воды, если они обнаруживают, что вы мало пили в определенный день.

Хотя эти приложения открывают новые возможности для использования, они также вызывают проблемы с конфиденциальностью.Например, это исследование показывает, что, если бы Apple, Samsung или другой производитель умных часов внедрили аналогичную систему, владельцы часов могли бы предоставить производителю детальную картину того, что они делают большую часть времени, тем более что наша рука движения неразрывно связаны с нашей деятельностью. В результате соавтор статьи и аспирант Карнеги-Меллона Гирад Лапут считает, что вся обработка машинного обучения должна происходить на устройстве, без подключения к облаку, и это согласие будет иметь жизненно важное значение.

Исследование показывает, как даже простые и повсеместные датчики, такие как акселерометры, можно использовать, чтобы предоставить еще больше информации о том, как люди проводят свое время. И хотя это исследование пока остается в академической сфере, есть большая вероятность, что вскоре оно попадет в ваши умные часы, особенно с учетом неистового желания технологических компаний получать данные.

Мод Smartwatch использует акселерометр, чтобы «видеть» объекты, жесты

Smartwatches — изящные высокотехнологичные игрушки, но, если они скоро не созреют, они останутся игрушками.Перед лицом конкуренции со стороны более целенаправленных, не говоря уже о более дешевых умных фитнес-браслетах, умным часам трудно вырваться из своей ниши на рынке. Однако это не означает, что умные часы не способны. Фактически, даже самые обычные модели содержат оборудование, которое при точной настройке и эксплуатации может заставить умные часы чувствовать себя как устройство из будущего. И это оборудование — не что иное, как акселерометр.

Все умные часы имеют акселерометр.Такой компонент необходим для определения ориентации и движения руки пользователя. Однако операционные системы умных часов ограничивают частоту «выборки», то есть частоту сбора данных датчиком, до 100 Гц. Исследователи из Университета Карнеги-Меллона использовали специальное ядро ​​операционной системы, чтобы повысить частоту дискретизации до 4000 Гц или 4 МГц, и результаты впечатляют.

Благодаря экспоненциальному увеличению чувствительности акселерометра, он способен обнаруживать даже микровибрации, которые проходят через запястье и руку пользователя.Эту биоакустику, как ее называют, можно затем проанализировать и интерпретировать в реальных действиях, которые ее вызвали. Другими словами, умные часы смогут идентифицировать почти два десятка различных жестов и действий, будь то одна рука или две, которые позже могут быть сопоставлены с реальными программными операциями или элементами управления.

Магия на этом не заканчивается. Тот же принцип может быть применен для фактической идентификации объекта, который человек держит своей рукой умных часов, если они являются механическими или приводятся в действие двигателем.Такие объекты издают уникальные звуки и вибрации, которые затем можно сравнить с набором данных, точно интерпретировать и идентифицировать. Объединив это с другими компонентами, такими как микрофон умных часов и некоторым программным обеспечением, можно даже превратить умные часы в удобный (без слов) гитарный тюнер.

Несмотря на то, что в прошлом проводились исследования и эксперименты, которые пытались расширить словарный запас и возможности умных часов, этот мод ViBand, возможно, является первым, который не требует сильно модифицированных умных часов.Хотя точные последствия для времени автономной работы и производительности еще предстоит измерить, это действительно или, по крайней мере, должно вызывать интерес к поиску способов «вырасти» умных часов за пределы их простых приложений, ориентированных на фитнес и приложения.

ИСТОЧНИК: Gierad Laput
ЧЕРЕЗ: Gizmodo

Датчики | Бесплатный полнотекстовый | Предотвращение профессиональных рисков с помощью умных часов: влияние точности и неопределенности встроенного акселерометра

1.Введение

Носимые устройства — это электронные устройства (или датчики), которые можно незаметно и удобно использовать на теле и с помощью встроенных датчиков можно использовать для измерения физических параметров, таких как движение, температура тела и частота сердечных сокращений, среди прочего. Датчики предоставляют функции, которые используются в биометрических приложениях и приложениях безопасности. В последние годы в этой технологической области наблюдается значительный рост наряду с достижениями в области телекоммуникаций и мобильных технологий (в основном за счет бытовой электроники и миниатюризации).Из-за разнообразия датчиков, которые можно интегрировать в умные часы, они в настоящее время используются во многих областях и приложениях, таких как здоровье, благополучие, безопасность, спорт, фитнес, связь и бизнес [1,2,3,4]. самые известные носимые устройства — это умные часы. В последние годы эти часы превратились из портативных механических устройств, используемых для измерения времени, в электронные устройства с функциями и функциями, аналогичными тем, которые доступны в смартфонах, что позволяет разрабатывать инновационные приложения в различных областях.Умные часы имеют преимущества перед смартфонами, такие как расположение на теле и прямой контакт с кожей пользователя, что облегчает использование определенных датчиков, таких как монитор сердечного ритма, проводимости кожи и другие [1,2,3,4,5 , 6]. Несмотря на то, что использование носимых устройств находится на начальной стадии, умные часы стали наиболее популярными из-за некоторых их преимуществ, таких как размер, портативность и энергозависимость. Несколько исследований показали, что технологические усовершенствования, разработка инновационных приложений и снижение затрат могут привести к массовому внедрению этих устройств на рынке [3,4,5,6,7,8,9,10,11] .Постоянно разрабатываются программные приложения для носимых устройств, в которых используются преимущества растущих возможностей компьютерной обработки, беспроводной связи и различных датчиков. Датчики, которые обычно интегрируются в интеллектуальные устройства, — это акселерометры, гироскопы, датчики внешнего освещения и магнитные датчики [1,2,12,13,14]. В настоящее время некоторые исследователи используют специальные носимые устройства [15,16,17,18,19, 20,21,22,23,24,25], смартфоны с адаптерами для тела [26,27,28,29,30,31,32,33,34,35] и умные часы [36,37,38] для развития профессиональных навыков. Рискованные оценки.Носимые устройства могут использоваться для непрерывного мониторинга и измерения с течением времени, а также в качестве устройств для предупреждения или обучения работников; некоторые из этих приложений используют преимущества широкого диапазона доступных датчиков и незаметного использования носимых устройств, что делает их отличным вариантом для экономичного и скрытого сбора информации [5,16]. В [39] некоторые приложения носимых устройств были определены для оценки профессионального риска, среди которых обнаружение движения и физической активности, распознавание травм опорно-двигательного аппарата, обнаружение падений, оценка воздействия физических агентов, оценка воздействия химических агентов и определение местоположения потенциальных опасностей (движущееся оборудование).Эта работа указывает на то, что предлагается все больше решений, которые в основном поддерживаются использованием носимых устройств. Также упоминается, что в будущем такая система будет использовать возможности беспроводной связи для облегчения обмена информацией в режиме реального времени и для улучшения систем управления охраной труда за счет использования новых технологий, таких как анализ больших данных. По текущим техническим характеристикам (скорость обработки, хранение данных и беспроводная связь) носимые устройства могут использоваться в составе интегрированных систем управления рисками.Первый опыт использования интегрированных систем управления на основе носимых технологий и Интернета вещей (IoT) для отрасли описан в [22,40,41]. В [40] была создана основа для создания интеллектуальных рабочих сред, которые позволяют проводить индивидуальную оценку рисков в режиме реального времени с использованием средств индивидуальной защиты с технологией IoT, тогда как в [22,41] были внедрены системы управления промышленной безопасностью. реализованы, которые используют носимые устройства и устройства IoT для контроля, повышения осведомленности и отправки аварийных предупреждений работникам, чтобы способствовать более совершенным методам труда и безопасным условиям труда.Эти исследования показывают, что подход IoT можно использовать в датчиках, инструментах и ​​сотрудниках, использующих носимые устройства для постоянного мониторинга и оповещения в режиме реального времени. Все эти технологии позволят улучшить управление производственной безопасностью. На основе обзора литературы было выявлено несколько приложений, в которых датчики вибрации носимых устройств используются (прямо или косвенно) для предотвращения профессионального риска (ОВП), здоровья и безопасность. Определенные области применения — это оценка физической активности (PA), обнаружение падений и мониторинг вибрации [42].Одним из основных приложений носимых устройств, связанных со здоровьем пользователей, является оценка PA. В [43] собрана библиография, относящаяся к разработке систем, предназначенных для обнаружения движения. В этих системах в основном используются трехосные акселерометры и методы классификации движений, основанные на пороговых или статистических схемах классификации (методы контролируемого машинного обучения). В этом исследовании также определены типичные применения обнаружения PA, включая классификацию позы и движений, оценку затраченной энергии и автоматическое обнаружение падения.В [44] был составлен сборник методов, используемых для мониторинга профессиональной физической активности, в которых датчики, такие как шагомеры, акселерометры и системы глобального позиционирования (GPS), могут использоваться одновременно как интегрированные системы для определения физической активности. активность в рабочем пространстве. В этой статье делается вывод о том, что добавление датчиков позволяет нам получать физиологические переменные, которые можно использовать в других областях профессиональной гигиены. Между тем, в [45], влияние расположения акселерометров на запястье или лодыжке для оценки PA в таких видах деятельности, как ходьба или езда на велосипеде.Результаты показывают высокую точность идентификации с использованием акселерометров с частотой дискретизации 90 Гц и настроенным на диапазон ± 4 g с использованием алгоритма классификации машины опорных векторов (SVM). В этом исследовании также упоминается, что можно обнаруживать действия, используя характеристики сигнала во временной или частотной области, и можно уменьшить частоту дискретизации сигнала до 40 Гц, не слишком сильно снижая точность алгоритма классификации. В последних решениях начали использовать коммерческие умные часы для идентификации человеческой деятельности.В [46] указано, что акселерометр умных часов может предоставлять точную информацию для удовлетворительного распознавания действий. В этой статье показано, что технические требования к датчикам зависят от приложения, для которого они предназначены (например, мониторинг активности или бездействия, распознавание жестов или производственный мониторинг, связанный с воздействием вибрации), тогда как в [47] это было показано что можно точно определять позы, используя низкую частоту дискретизации в акселерометре умных часов, что может помочь продлить срок службы батареи устройств.Различная эффективность распознавания действий между умными часами и смартфоном сравнивалась в [48]: результаты показывают, что умные часы могут идентифицировать ручные действия с более высокой точностью, чем смартфоны, что дает им потенциал для использования в биомедицине и здравоохранении. . Однако в [49] одновременно использовались смартфон и коммерческие умные часы, что показало, что комбинация устройств может повысить точность идентификации действий. Кроме того, в [36] умные часы использовались для идентификации жестов и действий, а также для незаметного представления информации работникам через экран устройства и тактильную обратную связь.Разработанная система позволяет пользователю постоянно помогать при выполнении рабочих задач. В этой статье также представлены новые формы взаимодействия между устройствами и пользователями с использованием новейших приложений в таких областях, как промышленность (механика и строительство), потребительский рынок дома и комфортное проживание. Автоматическое обнаружение падений — еще одно приложение, в котором носимые устройства ‘акселерометры широко используются. В [50] было проведено совместное исследование систем обнаружения и предотвращения падений с использованием датчиков окружающей среды и носимых датчиков.Исследование показало, что носимые устройства имеют преимущества перед системами датчиков окружающей среды, такие как лучшая мобильность, расширенный пространственный охват, более простая установка и использование. В [51] был проведен полный систематический анализ систем обнаружения падений, реализованных на платформе Android. Результаты показывают, что эти устройства могут быть жизнеспособным решением для обнаружения падений благодаря их отличному соотношению затрат и эффективности. Также были выявлены некоторые нерешенные проблемы, такие как недостаточная точность датчиков и уменьшенный диапазон, в котором датчики программируются по умолчанию; эти проблемы снижают привлекательность этой технологии.Для обнаружения падений, связанных с работой, в [52] представлена ​​система, в которой используются различные акселерометры в сочетании с защитным оборудованием (пояс и жилет), размещаемым на груди, бедре, руке и руке. Эти датчики связываются со смартфоном и сервером для прогнозирования потенциальных падений за счет автоматического обнаружения событий, предшествующих падению, с помощью различных алгоритмов классификации. Полученные результаты показывают значительную точность предсказания падений за счет обнаружения предшествующих событий. Авторы также пришли к выводу, что можно повысить точность прогноза, увеличив, например, количество используемых датчиков.Авторы [53] показали, что можно определять повседневную активность и обнаруживать падения с помощью умных часов, размещенных на левой руке, с использованием различных алгоритмов классификации шаблонов. В этой статье подчеркивается, что положение устройства на запястье может снизить производительность системы из-за случайных движений руки. В [54] коммерческий смартфон и умные часы с алгоритмами, основанными на пороговом анализе, использовались в комбинации, демонстрируя, что производительность системы распознавания повседневной активности и падений может быть увеличена с небольшим снижением эффективности обнаружения падений, когда выполнение одновременных анализов.Также были разработаны решения, в которых используются коммерческие умные часы для оценки рисков, связанных с вибрациями, влияющими на систему рука-рука (HAV). Подход, основанный на машинном обучении, представлен в [37]. В этом исследовании была разработана система, которая использует встроенный микрофон и акселерометр коммерческих (немодифицированных) умных часов для распознавания типа используемого инструмента и времени использования для оценки значения суточной дозы вибрации A ( 8). Результаты показывают, что возможно реализовать системы распознавания для рабочих задач и использовать эту информацию для предотвращения рисков.В [38] была разработана система измерения вибрации с использованием встроенного акселерометра умных часов для измерения значения A (8), и был сделан вывод, что эта система может использоваться в конкретных задачах оценки HAV из-за технических ограничений. налагается операционной системой на датчики для увеличения автономности батареи. Тем не менее, были подчеркнуты возможности для улучшения в будущем и преимущества умных часов, такие как недорогое решение для непрерывного мониторинга сотрудников, их портативность и удобство использования, а также соблюдение принципа отсутствия увеличения. или вызывая новые риски.

Акселерометры

Одним из основных датчиков интеллектуальных устройств является акселерометр. В настоящее время этот тип датчика широко используется в качестве автономного устройства, в интеллектуальных устройствах или в носимых устройствах для конкретных приложений, таких как мониторинг физической и спортивной активности, обнаружение падений и анализ структурных колебаний или вибраций машин, например а также вибрации, которые влияют на человеческое тело [16,17,18,19,20,22,23,24,25,26,27,28,29,30,31,32,36,37,38]. тип инерциального датчика, который может измерять ускорение по их чувствительным осям.Принцип работы акселерометров основан на механическом чувствительном элементе, состоящем из испытательной массы, прикрепленной к опорной системе с механической системой подвески. На основе этого принципа ускорение можно измерить электрически, используя физические изменения смещения испытательной массы. Существует три типа акселерометров: пьезорезистивные, пьезоэлектрические и емкостные [44,55]. Акселерометры, используемые в умных часах, называются МЭМС (микроэлектронные механические системы): эти датчики имеют уменьшенный размер и могут использоваться для регистрации различных физических переменных [1]. .Технические характеристики и характеристики MEMS-акселерометров были проанализированы в нескольких исследованиях, в большинстве случаев сравнивая их с пьезоэлектрическими акселерометрами (PCB). По результатам этих исследований сделан вывод, что эти датчики представляют собой жизнеспособное и недорогое решение, которое можно использовать в различных приложениях [56,57,58,59,60,61,62,63,64]. В работе Тарабини [ 65], были оценены технические характеристики МЭМС-акселерометров и их возможности использования для оценки вибраций руки и рук, измерения всего тела и других типов механической вибрации.В этой статье показано, что этот тип преобразователя соответствует большинству технических требований ISO 8041: 2005 [66]. Ограничения, обнаруженные в частотной характеристике, можно улучшить с помощью эквализации. Следовательно, эти датчики имеют преимущества перед печатными платами, такие как их меньшая стоимость и размер, что позволяет использовать датчик непосредственно на ручках инструментов или закреплять на коже.

Несмотря на то, что существует обширная библиография, посвященная анализу различных характеристик акселерометров MEMS, меньше исследований, которые анализируют поведение датчиков в носимом устройстве (конкретном устройстве или смартфоне).Насколько нам известно, не было выявлено исследований, специально анализирующих работу акселерометров в коммерческих умных часах.

Акселерометры MEMS, входящие в схему устройства, обладают достаточными техническими характеристиками для оптимальной работы в конкретных приложениях [39]. Однако, когда они используются в интеллектуальных устройствах, их производительность снижается операционными системами, чтобы снизить потребление энергии и повысить энергозависимость. Даже при таком сокращении интеллектуальные устройства можно использовать во многих приложениях.Знание поведения и ограничений акселерометра (который является одним из наиболее часто используемых датчиков) может быть полезно в будущих исследованиях, в которых рассматривается использование (прямое или косвенное) акселерометров в коммерческих умных часах.

Основная цель данной статьи — определить точность и неопределенность, связанную с измерениями ускорения, выполненными датчиками вибрации некоторых современных коммерческих умных часов. Результаты используются для анализа текущих и будущих потенциальных приложений, связанных с предотвращением профессиональных рисков и управлением ими.Также обсуждается, могут ли эти устройства использоваться в качестве прецизионных измерительных инструментов, инструментов контроля или в качестве устройств для обучения и обучения.

В частности, в этой статье представлена ​​методология, используемая для характеристики частотной характеристики и изменчивости амплитуды величины ускорения, регистрируемой акселерометрами MEMS трех коммерческих умных часов от разных производителей. Умные часы, использованные в экспериментах, используют операционную систему Android Wear (версия 1.5, Google), что облегчает подготовку испытаний и сравнение результатов.

2. Материалы и методы

Амплитуда и частотная характеристика трех коммерческих умных часов была оценена с целью анализа точности измерений акселерометра. В этом анализе учитывалась повторяемость измерений и вычислялись связанные с ними неопределенности.

В этом виде интеллектуального устройства можно получить цифровое представление сигнала ускорения по трем осям от датчика (трехосный акселерометр типа MEMS) для анализа его амплитуды и частоты.Амплитуда может быть проанализирована с использованием максимальной амплитуды (пикового значения) сигнала или путем анализа среднеквадратичного значения (RMS), в то время как частотные тесты могут быть выполнены с использованием дискретных сигналов, таких как синусоидальные волны на разных частотах. Кроме того, проверка амплитуды и частоты может выполняться в частотной области с использованием преобразования Фурье с тестовыми сигналами, такими как розовый шум или частотная развертка синусоидальных волн [67].

В данном исследовании амплитудный и частотный анализ выполняется путем анализа среднеквадратичных значений синусоидальных вибрационных сигналов на дискретных частотах.Механические сигналы, используемые в измерениях, генерировались вибрационным шейкером.

Кроме того, оценка максимальной частоты дискретизации каждого из акселерометров умных часов сначала была проверена с использованием временных меток, созданных во время захвата сигналов. Было установлено, что интервалы времени выборки акселерометра непостоянны, что приводит к ошибкам джиттера. Средняя частота дискретизации умных часов, настроенных в Android Studio 3.2 (Google, Калифорния, США) при самой высокой частоте дискретизации сенсора, составляет 250 Гц для умных часов 1, 200 Гц для умных часов 2 и 50 Гц для умных часов 3.

Анализ проводился при различных амплитудах для проверки амплитудно-частотного поведения встроенных акселерометров. Методология анализа была выбрана в соответствии с существующей библиографией и стандартами ISO в отношении измерительных приборов, используемых для анализа реакции человека на вибрации [66], и вторичных методов калибровки акселерометра [68]. Этот раздел разделен на шесть подразделов. В разделе 2.1 описаны технические характеристики встроенных акселерометров умных часов, использованных в тестах.В разделе 2.2 описывается испытательный стенд, используемый для калибровочных и измерительных испытаний. В разделе 2.3 подробно описана разработка системы измерения вибрации для тестовых устройств Android. В разделе 2.4 представлен процесс калибровки и настройки внедренной измерительной системы в устройствах перед выполнением частотных и амплитудных тестов. В разделе 2.5 описан процесс измерения частотных характеристик тестовых устройств при различных амплитудах. Наконец, в разделе 2.6 представлена ​​процедура, используемая для выполнения анализа неопределенностей, связанных с калибровкой и измерениями.

2.1. Тестовые устройства

Для проведения амплитудного и частотного анализа использовались три коммерческих умных часа с системой Android Wear (версия 1.5, Google). Для выбора тестовых умных часов было определено несколько высококачественных коммерческих умных часов, доступных на рынке в 2017 году.

Из этих устройств были выбраны два умных часа, которые имели самую высокую заводскую частоту дискретизации в системе Android Wear для акселерометра. Кроме того, были выбраны третьи умные часы со стандартной заводской установкой частоты дискретизации для анализа движения, чтобы проверить их поведение.

Три умных часа имеют схожие технические характеристики, а их датчики можно программировать. Однако заводские настройки (максимальная частота дискретизации и диапазон амплитуд) для системы Android ниже, чем те, при которых могут работать акселерометры.

Технические характеристики умных часов и встроенных акселерометров указаны в таблице 1.

2.2. Испытательный стенд

Процессы калибровки и измерения амплитуды и частоты были выполнены с использованием системы генерации и анализа вибрации, состоящей из системы PULSE 7537 (Bruel & Kjaer, Копенгаген, Дания), подключенной к усилителю мощности LDS PA 100E (Bruel & Kjaer). ), который подается на вибрационный шейкер LDS V406 CE M4 (Bruel & Kjaer).В качестве эталона использовали виброметр SV106 (Svantek, Варшава, Польша), подключенный к акселерометру Dytran 3023M3 (Dytran Instruments, Калифорния, США). Оборудование было подключено согласно рисунку 1.

2.3. Разработка системы измерения вибрации для устройств Android Wear

Программное обеспечение для устройств Android Wear было разработано [69] и установлено в умных часах для определения значения RMS ускорения. Приложение захватывает и обрабатывает сигналы трехосного акселерометра с максимальной частотой дискретизации, разрешенной устройством.В результате приложение показывает среднеквадратичные значения ускорения без смещения силы тяжести. Схема на рисунке 2 использовалась для реализации системы измерения в соответствии с рекомендациями ISO 8041: 2005 [66]. Анализ ускорения для каждой из трех осей оси был выполнен в частотной области с использованием быстрого преобразования Фурье (БПФ) [70]. ]. Цифровые сигналы, захваченные датчиком, должны быть подвергнуты оконному процессу перед преобразованием в частотную область; после этого сигнал должен быть отфильтрован, чтобы избежать воздействия силы тяжести, с помощью фильтра верхних частот, который устраняет низкочастотные компоненты.Среднеквадратичное значение (общая мощность диапазона) для каждого окна анализа получается с использованием метода линейного интегрирования, рассчитанного с использованием теоремы Парсеваля, описанной в следующем уравнении:

СКО = 2∑f = 0f = SR / 2 | X (f) | 2,

(1)

где | X (f) | — модуль компонентов БПФ в каждой спектральной линии.

Значения, отображаемые системой измерения умных часов, получаются из скользящего среднего среднеквадратичного ускорения, которое рассчитывается с использованием мгновенных значений ускорения для каждого окна анализа.

2.4. Калибровка и регулировка с помощью метода сравнения

Хотя умные часы имеют откалиброванный на заводе трехосный акселерометр, перед выполнением тестов измерения частоты и амплитуды на устройствах необходимо выполнить калибровочные и регулировочные испытания. Калибровочные тесты должны проверять степень отклонения измерений, полученных с помощью умных часов, чтобы позже выполнить процесс настройки и компенсировать это отклонение, чтобы избежать ошибок при сборе данных в остальных экспериментах.

Процесс калибровки был выполнен путем адаптации рекомендаций ISO 16063-21: 2003 [68] относительно калибровки датчика вибрации по сравнению с эталонным датчиком. Из различных существующих методов вторичной калибровки наиболее часто используется метод сравнения с эталонным акселерометром благодаря простоте реализации и надежности. Метод состоит в подключении акселерометра, который нужно калибровать, к другому акселерометру, который откалиброван по шаблону, и затем возбуждению связанной пары вибрацией с определенной частотой и амплитудой.

Для этого исследования калибровка системы измерения вибрации в умных часах заключается в сравнении между измеренным значением ускорения умных часов и эталоном для получения смещения ускорения и связанной с ним неопределенности. Для этого эталонный акселерометр и умные часы были соединены с помощью клея. Для умных часов 2 и 3 необходимо было использовать тонкую пластину между устройствами из-за размера и ремешка умных часов.

Калибровка устройств может производиться на любой частоте и амплитуде в пределах рабочих возможностей устройства.Стандарт ISO 16063-21: 2003 [68] рекомендует использовать стандартизованные частоты третьей октавы, указанные в ISO 266: 1997 [71], и амплитуды 1, 2, 5 или кратные 10 м / с 2 .

В случае цифровых устройств, поскольку невозможно напрямую получить доступ к выходному напряжению акселерометра для получения значения чувствительности, калибровку можно выполнить, проверив ошибку измерения, которая представляет собой разницу между значением ускорения, полученным с помощью тестовое устройство и значение эталонного устройства.Получив значение этой ошибки, можно применить поправочный коэффициент к каждой оси акселерометра, чтобы получить среднеквадратичное значение. Для калибровки умных часов использовался механический синусоидальный вибрационный сигнал с амплитудой 10 м / с 2 на частоте 12,5 Гц, учитывая ограничения устройств как по амплитуде, так и по частоте.

2,5. Тест частотной характеристики при разных амплитудах

Настоящий тест был проведен для проверки линейности частоты умных часов при трех разных амплитудах.Испытание проводилось в соответствии с руководящими принципами стандарта ISO 8041: 2005 [66] и критериями ISO 16063-21 [68] для соединения эталонного и испытательного датчиков. Согласно ISO 8041: 2005 [66], при выполнении измерений на При различных амплитудах и частотах погрешность индикации (Ex) может быть выражена в абсолютных величинах с разницей между значением анализируемого устройства и значением, показанным эталонным анализатором (уравнение (2)). Стандарт ISO также объясняет, что погрешность индикации может быть выражена в относительных единицах, выраженных в децибелах или в процентах отклонения от эталонного значения.Процент отклонения (ε) для эталона можно рассчитать с помощью уравнения (3) [66].

ε = (atest − arefaref) ∗ 100%.

(3)

Тесты частотной характеристики были выполнены путем адаптации метода сравнения с эталонным акселерометром, описанного в ISO 16063-21 [68] (аналогично калибровочному тесту). Преобразователи были соединены в соответствии с процедурами, описанными в методе калибровки акселерометров путем сравнения (метод обратной калибровки).Результатом этих измерений являются среднеквадратичные значения ускорения процента отклонения от эталонного виброметра и связанные с ним погрешности при различных частотах и ​​амплитудах. Механические испытательные сигналы генерировались вибрационным вибратором, подаваемым дискретными синусоидальными волнами с интервалами в третью октаву, с центральные частоты в диапазоне 6,3–100 Гц. Частоты были выбраны на основе анализа максимальной частоты каждого устройства согласно теореме Найквиста [67]. Амплитуды вибрации, использованные в испытании, составляли 10, 5 и 2 м / с 2 RMS.

Эталонный акселерометр и все умные часы были одновременно подключены к вибрирующей поверхности шейкера; затем было выполнено шесть определений среднеквадратичного ускорения на каждой из частот, поддерживая постоянную амплитуду ускорения, а затем повторяя процесс для других упомянутых амплитуд.

2.6. Погрешности калибровки и измерений

Из-за источников, которые могут вызывать изменчивость в измерениях величины вибрации, таких как условия физического оборудования, экспериментальная изменчивость и факторы окружающей среды, такие как влажность, температура или атмосферное давление, необходимо выполнять анализ неопределенностей, связанных с измерениями и калибровкой, чтобы иметь возможность охарактеризовать разброс значений, которые можно разумно отнести к измеряемой величине.

Оценка и выражение неопределенностей результатов калибровки и измерений были выполнены в соответствии с критериями и руководящими указаниями Руководства ISO / IEC по выражению неопределенности измерений (GUM) [72] и адаптации ISO 16063-21: 2003 [68] . Существенный вклад в окончательную неопределенность рассматривается как каждая из поправок устройств, используемых в процессах калибровки и измерения:

  • Неопределенность, связанная с эталонным устройством.

  • Временный дрейф эталонного устройства.

  • Деление шкалы эталонного устройства и калибруемого устройства.

  • Воспроизводимость теста в процессе калибровки.

  • Выравнивание калибруемого устройства относительно эталона.

  • Воздействие окружающей среды (колебания температуры и влажности).

  • Колебания, создаваемые магнитным полем вибрационного шейкера.

  • Погрешность усилителя мощности и вибрационного шейкера.

  • Неопределенность, вызванная изменением частоты дискретизации умных часов.

2.6.1. Модель

Согласно ISO-GUM, для определения измеряемой величины обычно используются другие величины, которые связаны функциональными отношениями. Функция содержит все величины, включая поправки и поправочные коэффициенты для систематических эффектов, которые могут внести значительный компонент неопределенности в результат измерения. Поправки и поправочные коэффициенты применяются к модели для компенсации значительных влияний, которые влияют на результаты измерений из-за эффектов систематических и случайных ошибок [68,72].Для определения неопределенности, связанной с калибровкой и измерениями, необходимо адаптировать процедуру, описанную в ISO 16063-21: 2003 [68], поскольку выходное напряжение калибруемого акселерометра не может быть напрямую доступно для использования чувствительности в качестве В данном случае для упрощения расчетов неопределенности калибровки и измерений погрешность индикации (Ex), показанная в уравнении (2), использовалась как функция модели (уравнение (4)).В этой модели учитываются поправки, вызванные систематическими эффектами.

Пример = (atest + ctemp test + cres test + ccalib test + ccross test + cjitt test) — (aref + ctemp ref + cres ref + ccalib ref + ccross ref),

(4)

где:

  • c temp — поправка на температуру;

  • c res — поправка, обусловленная конечным разрешением измерителя;

  • c calib — поправка, вызванная калибровкой измерителя;

  • c cross — поправка из-за перекрестной чувствительности;

  • c jitt — это исправление из-за изменения частоты дискретизации в умных часах (ошибка джиттера).

Компоненты неопределенности были выражены как относительные стандартные неопределенности для упрощения расчетов, как указано в [73]. Значения относительной неопределенности были вычислены с использованием уравнения (3). Хотя в некоторых случаях значение поправок может быть нулевым значением при вычислении ошибки индикации, их неопределенности не будут нулевыми. Коэффициенты чувствительности для каждого вклада равны единице, поскольку входные величины можно рассматривать как некоррелированные для расчета относительной расширенной неопределенности, как указано в [68,73].

2.6.2. Характеристика и оценка значения вкладов типа A и типа B

Согласно GUM [72], компоненты неопределенности могут быть сгруппированы в две категории в соответствии с методом оценки: «тип A» и «тип B». Классификация на тип A и тип B состоит из двух различных способов оценки компонентов неопределенности на основе распределений вероятностей. Характеристики источников неопределенности, используемые в анализе, описаны в таблице 2. Некоторые источники неопределенности указаны в ISO 16063-21. : 2003 [68] были проигнорированы, потому что они не являются компонентами предлагаемой модели или их информация недоступна.

Для оценки комбинированной неопределенности были проанализированы все источники неопределенности из предложенной модели. Неопределенность, связанная с ускорением счетчиков, была проанализирована как нормальное распределение, поскольку эта переменная определяется путем выполнения нескольких количественных определений.

Компоненты неопределенности температуры, конечного разрешения измерителя и чувствительности по поперечной оси были проанализированы как прямоугольные распределения, потому что известен только диапазон, в котором может быть найдена величина.

Вклад в погрешность калибровки устройств анализируется как нормальное распределение. Кроме того, вклад неопределенности частоты дискретизации умных часов был проанализирован с использованием метода Монте-Карло [74] с моделью, указанной в [75]. Объединенная относительная стандартная неопределенность, связанная с калибровочным испытанием, оценивается с помощью уравнения (5) , согласно закону распространения дисперсии. Для некоррелированных элементов относительную комбинированную неопределенность можно оценить с помощью уравнения (6), адаптированного из ISO 16063-21: 2003 [68].

uc, rel (y) = ∑i = 0 (∂f∂xi) 2urel i2 (xi) + 2∑i = 0N − 1∑i = 0N∂f∂xi∂f∂xjurel (xi, xj),

(5)

где:

  • u c, отн — объединенная относительная стандартная неопределенность;

  • y — определяющая величина для N входных величин x 1 , x 2 ,…, x n ;

  • ∂f / ∂x i — частные производные, вычисленные в X i = x i ;

  • x i — оценочные входные значения;

  • u rel (x i , x j ) — это оценочная ковариация.

uc, rel2 (y) = ∑i = 0n (urel icixi) 2,

(6)

где c i — коэффициенты чувствительности. Как указано в [68], результаты измерения должны быть представлены как расширенная неопределенность. В этом случае необходимо умножить значение комбинированной неопределенности на коэффициент охвата k, чтобы получить расширенную неопределенность. Как упоминалось в стандарте ISO 16063-21: 2003, считается, что результаты измерений подчиняются нормальному распределению, так что коэффициент охвата k = 2 можно использовать для охвата приблизительно 95%.Расширенная относительная неопределенность может быть оценена уравнением (7), адаптированным из [68].

Та же модель и метод использовались для расчета каждой из неопределенностей, связанных с тестами измерения частотной характеристики, с получением результатов для каждой из точек анализа. Расчет связанных неопределенностей был выполнен с использованием относительных неопределенностей, выраженных в процентах, для облегчения расчета и выражения результатов.

4. Обсуждение

Частотный анализ трех устройств может выполняться только для первых третьоктавных диапазонов, в зависимости от максимальной частоты дискретизации каждого смарт-часов.Ограничение, указанное в полосе пропускания, ограничивает использование этих устройств конкретными задачами оценки, связанными с предотвращением профессиональных рисков.

Значение 10 м / с 2 RMS использовалось в качестве максимальной амплитуды анализа, поскольку вибрации с более высокими амплитудами могут насыщать акселерометр в зависимости от его ориентации относительно земли из-за смещения силы тяжести. Величина ускорения, добавленная к смещению силы тяжести, может превышать установленный на заводе предел амплитуды ± 2 g (13.85 м / с 2 RMS) легко.

4.1. Анализ частотной характеристики при различных амплитудах

Что касается анализа частотной характеристики, умные часы 1 представляют более высокую полосу анализа (125 Гц) и представляют плоскую частотную характеристику до частоты 40 Гц с максимальным диапазоном амплитуд ± 2 g. . Эта характеристика делает это устройство отличным вариантом для задач анализа вибрации, требующих диапазона до 80 Гц.

Для smartwatch 2 плоская частотная характеристика делает это устройство отличным вариантом для измерения вибрации.Основными соображениями для этого устройства являются максимальный диапазон частотного анализа из-за частоты дискретизации (200 Гц) и диапазона амплитуд (± 2 g), настроенных на заводе.

Для smartwatch 3 результаты показывают плоскую частотную характеристику на низких частотах. Однако из-за пониженной частоты дискретизации (50 Гц) и диапазона амплитуды (± 2 g) это устройство может недооценивать величину вибрации при выполнении испытаний по измерению вибрации с сигналами с частотами выше 25 Гц.

4.2. Анализ погрешностей измерений

Значения, полученные при тестировании амплитуды и частоты, находятся в диапазоне от ± 3,0% до ± 3,8%. В соответствии с ISO 8041: 2005 расширенная неопределенность для испытаний механической частотной характеристики должна составлять максимум 4,5% для проверки типового устройства и 5% для периодической проверки для пользователей. Эти максимальные значения не были превышены ни в одном из тестов, даже на очень высоких или низких частотах, где возможна изменчивость тестового сигнала из-за технических характеристик оборудования.

В этом анализе неопределенность, связанная с калибровкой эталонного виброметра, была определена как основной источник вклада в комбинированную неопределенность, за которым следует вклад в неопределенность, создаваемый конечным разрешением измерителей, особенно при анализе низких значений. амплитуды ускорения (5 и 1 м / с 2 ).

Постепенное увеличение неопределенности было замечено в трех устройствах при увеличении частоты анализа. Увеличение неопределенности вызвано эффектом джиттера из-за изменения частоты дискретизации [75].

Другие проанализированные источники неопределенностей характеризовались низким вкладом в неопределенность, поскольку испытания проводились в лаборатории с контролируемой средой.

4.3. Возможные варианты использования с текущей конфигурацией и ограничениями

Хотя умные часы, использующие систему Android Wear, имеют определенные ограничения в полосе пропускания и максимальной амплитуде, анализируемой с помощью акселерометра, было определено несколько приложений для оценки профессионального риска, в которых можно использовать датчик вибрации. с текущей заводской конфигурацией.

Кроме того, в обзоре библиографии были определены два основных ограничения для идентификации действий и анализа вибраций кисти и руки, которые связаны с расположением устройства и датчика в теле. Первое ограничение заключается в том, что умные часы расположены на запястье, и между самим датчиком и костью может происходить относительное движение из-за наличия мягких тканей, которые могут затруднить анализ сигналов вибрации.

Второе ограничение касается оценки вибрации кисти и руки.В этом случае датчик необходимо разместить между частью тела, подверженной вибрации, и вибрирующей поверхностью; следовательно, при оценке величины вибрации с помощью умных часов могут происходить изменения в реакции на ускорение, потому что передаточная способность между ладонью и запястьем неоднородна [77].

4.3.1. Умные часы для физической активности

Для мониторинга профессиональной физической активности было установлено, что технические характеристики умных часов, проанализированных в этой статье, могут соответствовать требованиям частоты дискретизации при таких действиях, как определение сна, частота сердечных сокращений [47], амбулаторные движения (частота анализ в диапазоне 1–3 Гц) [44], идентификация поз (частота дискретизации 10 Гц) [48], идентификация специализированных ручных действий (частота дискретизации 20 Гц) [49], а также для взаимодействия с окружающей средой в работе окружающая среда с помощью жестов (частота дискретизации 25 Гц) [36].В этих приложениях определены низкие требования к частоте дискретизации, в то время как для идентификации УМ с датчиками, размещенными на запястье в [46], упоминается, что можно использовать частоту дискретизации 40 Гц без ухудшения точности классификатор.

4.3.2. Умные часы для обнаружения падений

Для обнаружения падений определяются разные результаты в зависимости от конфигурации устройств. В [78] упоминается, что для обнаружения падения с помощью смартфонов допустимые диапазоны амплитуд устройств составляют ± 4 или ± 16 г.Этот диапазон выше, чем тот, который в настоящее время настроен на заводе (± 2 г). В [79] в смартфоне использовалась частота дискретизации 100 Гц, что дает удовлетворительные результаты при обнаружении падения. В [53] авторы предполагают, что текущая заводская конфигурация устройств Android может не иметь необходимой точности из-за встроенная частота дискретизации акселерометра. Операционная система позволяет настраивать частоту дискретизации в диапазоне от 7 до 200 Гц в зависимости от модели акселерометра. Кроме того, частота дискретизации может меняться со временем.Помимо этого, другие авторы, такие как Abbate и Fudicar [80,81], отмечают, что использование низких частот дискретизации (50 Гц) является хорошим компромиссом между производительностью и потреблением энергии при обнаружении падения. запястья, в [54], наборы данных о падениях были записаны и оценены с использованием коммерческих устройств с инерциальными датчиками. Максимальная частота дискретизации этих устройств составляла 50 Гц; с этой конфигурацией был достигнут высокий процент точности обнаружения падения.Эти результаты показывают, что можно получить надежную производительность при обнаружении падений с использованием текущей заводской конфигурации акселерометра в умных часах, а также поддерживая полезную энергетическую автономность устройства для непрерывного использования в течение долгого времени.

4.3.3. Умные часы для измерения вибрации руки и руки

Результаты показывают, что для измерения величины вибрации в приложениях, связанных с воздействием вибраций руки и руки, текущая конфигурация умных часов Android не соответствует требованиям для точных измерений во всем диапазоне. частоты и амплитуды [38].

При сравнении результатов измерений умных часов с результатами, полученными Тарабини (прямой анализ акселерометров MEMS), подтверждается, что основными ограничениями являются уменьшенная полоса пропускания и отсутствие линейности на высоких частотах, хотя, в зависимости от в приложении проблемы с линейностью могут быть преодолены с помощью коррекции датчика.

Анализируемая заводская конфигурация акселерометра умных часов (по амплитуде и частоте) ниже, чем описанная Тарабини [65].Однако можно использовать некоторые модели умных часов для оценки вибраций, влияющих на все тело. Потому что полоса анализа, предложенная ISO 8041: 2005, составляет от 0,5 до 80 Гц для здоровья и благополучия. С другой стороны, для вибраций руки и руки текущая конфигурация умных часов может допускать ошибки при измерении величины вибрации при анализе вибраций с большими величинами и расширенным частотным диапазоном. Как описано Moschioni [82], прямое измерение вибрации является наилучшей процедурой для оценки риска, связанного с вибрацией кисти и руки, с минимальной неопределенностью; тем не менее, для выполнения оценки риска вибрации кисть руки с фактической конфигурацией датчика может быть удобно использовать акселерометры для обнаружения схемы действий и инструментов, а затем оценить воздействие вибрации вместо прямого измерения величины, как предлагается в [37].

Проблема конфигурации датчика может быть решена быстро за счет улучшений в управлении энергопотреблением устройств и датчиков, а также, если позволяют API носимых устройств, более подробной настройки характеристик акселерометров.

В работе Мэттиса [37], касающейся оценки воздействия вибрации с использованием умных часов Android с акселерометром, настроенным на частоту дискретизации 50 Гц, было установлено, что умные часы обладают достаточной точностью для анализа и обнаружения нескольких видов вибраций. инструментов.Однако при одновременном использовании микрофона умных часов 85% общей скорости обнаружения было достигнуто с помощью нескольких инструментов. Таким образом, с результатами, достигнутыми в этом исследовании для умных часов, возможно улучшить процент точности обнаружения инструментов по крайней мере в двух проанализированных умных часах, поскольку они обеспечивают более высокую частоту дискретизации, которая может использоваться алгоритмы классификации. В данной работе охарактеризована АЧХ трех умных часов на разных амплитудах.Достигнутый результат может быть использован в качестве справочного материала для будущей исследовательской работы, связанной с использованием акселерометров носимых устройств в различных приложениях, таких как предотвращение профессиональных рисков, обнаружение падений, активности или определения положения [39].

Представлена ​​методология, использованная для оценки неопределенностей калибровки. Модель может быть адаптирована для оценки неопределенностей, связанных с измерениями величины вибрации, что может позволить нам в будущем использовать эти устройства в метрологических областях.

Было установлено, что максимальная частота дискретизации и динамический диапазон, на который настраиваются акселерометры в операционной системе Android Wear, ниже, чем те, с которыми они могли бы работать. Хотя конструкция и конструкция этих датчиков позволяют использовать более высокие частоты дискретизации и динамические диапазоны, в настоящее время невозможно изменить эти характеристики с помощью традиционных методов программирования на платформе Android [83], что ограничивает работу устройств этой платформы. к заводским настройкам.

Хотя этот вид носимых устройств имеет меньшую стоимость по сравнению со специальным измерительным оборудованием, результаты показывают, что датчики имеют высокий потенциал для использования в различных задачах, в которых можно анализировать ускорение с помощью встроенного акселерометра. . В текущей конфигурации умные часы можно использовать в качестве опции для предоставления общей информации о вибрациях рук и рук и физической активности, связанной с ОВП, но необходимо внести технические улучшения для их использования в конкретных приложениях, таких как оценка руки– вибрация руки, при которой могут иметь значение ограничения по частотному и амплитудному диапазону.

Несмотря на ограничения, налагаемые в настоящее время операционной системой и интерфейсом прикладного программирования, возможно, что в ближайшее время будут разработаны решения для улучшения нерешенных проблем, таких как автономность батареи этих устройств, чтобы избежать снижения технических характеристик датчиков. Более того, если кривая частотной характеристики известна, можно использовать обратный фильтр для улучшения линейности частоты в акселерометре, если это необходимо [34].

Большие возможности и огромные сомнения

Индустрия интеллектуальных устройств позволяет разработчикам и разработчикам встраивать различные датчики, процессоры и память в небольшие электронные устройства.Датчики добавлены для повышения удобства использования этих устройств и повышения качества обслуживания за счет сбора и анализа данных. Однако в эпоху больших данных и машинного обучения данные датчиков могут обрабатываться различными методами для получения различной скрытой информации. Извлеченная информация может быть полезной для пользователей устройств, разработчиков и проектировщиков для улучшения управления, работы и разработки этих устройств. Однако извлеченная информация может быть использована для компрометации безопасности и конфиденциальности людей в эпоху Интернета всего (IoE).В этой работе мы пытаемся рассмотреть процесс получения значимых данных с датчиков смарт-устройств, особенно смартфонов. Кроме того, показаны различные полезные приложения машинного обучения на основе данных датчиков смартфонов. Кроме того, рассматриваются различные атаки по побочным каналам с использованием одних и тех же датчиков и одних и тех же алгоритмов машинного обучения.

1. Введение

Интернет всего (IoE) — это информационный технологический термин, объединяющий в одном устройстве функции зондирования, вычислений, извлечения информации и связи.IoE позволяет различным электронным устройствам с разными возможностями распознавать окружающую среду и обмениваться данными [1]. IoE — это общая форма беспроводных сенсорных сетей [2]. Узлы IoE могут иметь разные классы, типы и возможности. Например, смартфоны, планшеты, ноутбуки, бытовая техника и даже автомобили являются примерами узлов в IoE. Эти узлы могут определять среду, используя свои различные датчики и обрабатывать данные, извлекать полезную информацию, обмениваться данными через Интернет и адаптивно управлять своим поведением.Интеллигентность и интеллект узлов IoE заключается не в их вычислительных возможностях, а в их способности общаться и обмениваться информацией. Каналы связи позволяют этим устройствам учиться на полученных ими данных. Он обучает эти устройства использовать свою информацию для выполнения новых полезных задач [3]. Например, холодильник со встроенным процессором не является умным, пока у него нет возможности общаться с людьми, другими холодильниками и супермаркетами, чтобы заказывать недостающие продукты. Более того, он должен выбирать из разных супермаркетов, чтобы покупать товары с ценовыми предложениями.Эта хитрость появилась благодаря передаче данных через Интернет.

IoE — это комплексный подход с огромными приложениями, мечтами и мифами. Он находит бесчисленное множество приложений в здравоохранении, инженерии, информатике, маркетинге и даже в социальных науках [4, 5]. Однако у него есть много вопросов, требующих дальнейшего изучения. Безопасность и конфиденциальность преобладали в области исследований IoE [6]. Как защитить ваши данные и приложения — горячая тема исследования IoE. Тем не менее, безопасность людей как недостаток парадигмы IoE должна быть изучена.В этой области возникло много вопросов. Что ощутить из окружения и что закачать в Интернет? Как повысить конфиденциальность, если датчики есть везде в жизни людей? Как научить людей ответственно относиться к IoE? Может ли IoE быть вредным?

Смарт-устройства играют основную роль в IoE [7]. Они оснащены мультикоммуникационными интерфейсами, такими как Wi-Fi, Bluetooth, связь ближнего поля (NFC) и сотовая связь. Кроме того, они оснащены огромным количеством датчиков.Более того, у них есть встроенные операционные системы (ОС), которые называются ОС IoT [3]. Когда в этом обзоре упоминаются смартфоны, мы имеем в виду смартфоны, планшеты и умные часы, поскольку они имеют одинаковые характеристики с небольшими отраслевыми отличиями. Согласно статистике, предоставленной Statista (https://www.statista.com/statistics/330695/number-of-smartphone-usersworldwide), количество смартфонов во всем мире превысило 2,8 миллиарда с оценкой в ​​5 миллиардов в 2019 году. активно использовались для управления и мониторинга сотен продуктов для умного дома.Например, продукт WeMo (Belkin Wemo: домашняя автоматизация, http://www.belkin.com/us/Products/home-automation/c/wemo-home-automation/) позволяет пользователям управлять несколькими функциями в своих домах, например, потребление энергии различными приборами. Этот продукт управляется смартфонами. Другой пример — Apple HomeKit (https://developer.apple.com/homekit/) для систем безопасности и наблюдения. Третий пример — Reemo (http://www.getreemo.com/), который превращает дома в умные дома. Смартфоны играют в этих приложениях роль мониторинга и управления.Однако возможности и датчики смартфонов позволяют им играть большую роль в обеспечении здоровья, идентификации, локализации и отслеживания.

Датчики используются для повышения удобства использования смартфонов. Однако исследователи и разработчики попытались использовать эти датчики в гораздо более сложных приложениях, таких как идентификация пользователей, отслеживание подписчиков и даже личностные особенности. Эти приложения требуют извлечения скрытой информации из данных датчиков смартфонов. Другими словами, данные датчиков используются новыми косвенными способами для прогнозирования и оценки новых характеристик, которые напрямую не предназначены для оценки этими датчиками.Эта новая парадигма использования сенсоров смартфонов выявляет проблемы с конфиденциальностью и безопасностью, поскольку пользователи смартфонов готовы загружать свои собранные данные, не зная об информации, которую можно получить от них [8]. Эта проблема была названа аварией с большими данными [9]. Автор в [10] предложил систему, основанную на теории обычных аварий, чтобы показать недостатки аварий с большими данными. Он показал, что большие данные могут быть превращены во «зло» при добыче информации, загружаемой бесплатно. В [8] автор показал, что пользователи имеют ограниченный контроль над загружаемыми данными, что является одной из основных проблем конфиденциальности в IoE.В [9] авторы предложили десять правил для решения проблем конфиденциальности и безопасности в больших данных и этические нормы, которые должны возникать. Основная мотивация в этой работе — получить больше информации о проблемах конфиденциальности смартфонов как устройств в IoE.

В этой работе некоторые из интересных приложений, которые были предложены и разработаны для использования данных датчиков интеллектуальных устройств, показаны как большие возможности в новую эру IoE. Тем не менее, точность этих приложений показана как один из существенных вопросов, требующих ответов.С другой стороны, проблемы безопасности и конфиденциальности вводятся как сомнения этих устройств. В этой работе мы стремимся показать, что безопасность, конфиденциальность и точность больших данных интеллектуальных устройств в эпоху IoE — это данные, хранящиеся не только на устройстве, но и на серверах Интернета. Однако даже необработанные данные, извлеченные с датчиков интеллектуальных устройств, могут представлять больше угроз, чем хранимое содержимое.

Наш вклад в эту работу резюмируется следующим образом:
(i) Исследование применений скрытых данных датчиков интеллектуальных устройств, которое было проведено в период с 2004 по 2018 г. (ii) Разделение угроз скрытых данных датчиков интеллектуальных устройств на три основные категории и предложение различных сценариев этих угроз (iii) ) Обсуждение нескольких предлагаемых решений для скрытых угроз данных (iv) Предложение простого подхода для начала вывода скрытой информации из данных датчиков интеллектуальных устройств без глубоких навыков программирования

Остальная часть этого документа организована следующим образом: Раздел 2 содержит обзор архитектуры интеллектуальных устройств и их внутренние компоненты.В разделе 3 показано, как интеллектуальный анализ данных и IoE сталкиваются в области интеллектуальных устройств. В разделе 4 показаны полезные приложения для извлечения скрытых данных. В разделе 5 показаны недостатки извлечения скрытых данных сенсора и способы начать копать скрытые данные смарт-устройства. Наконец, мы завершаем эту работу в Разделе 6.

2. Архитектура интеллектуального устройства

Смарт-устройства в этой работе определяются как портативные устройства. К ним относятся смартфоны, планшеты и умные часы. Эти устройства имеют примерно одинаковую внутреннюю архитектуру, но отличаются скоростью, размером, количеством датчиков и емкостью памяти.Кроме того, они используют те же операционные системы и программные пакеты. Приложения, разработанные для смартфона, работают и работают в планшетах. На рисунке 1 показана блок-схема внутренней архитектуры интеллектуального устройства. Как показано на рисунке, интеллектуальные устройства состоят из двух основных частей: процессоров и датчиков. Существуют также другие элементы интерфейса, которые соединяют датчики с процессорами, такие как аналого-цифровые преобразователи (АЦП), цифро-аналоговые преобразователи (ЦАП), голосовые кодеки и основная память для обработки инструкций приложений смарт-устройств. .В следующих разделах рассматривается основная часть рисунка с упором на датчики.

2.1. Процессоры для смартфонов

Современная архитектура смартфонов содержит два или более процессора. К ним относятся процессоры приложений и основной полосы частот. Ниже представлены эти процессоры.

2.1.1. Прикладной процессор

Этот процессор аналогичен центральному процессору (ЦП) в персональных компьютерах (ПК) или портативных компьютерах. Тем не менее, у него есть три основных конструктивных особенности.Во-первых, в нем есть механизм энергосбережения. Во-вторых, он отвечает за управление всеми датчиками, SD-картой и коммуникационными модулями смартфона. Встроенные в смартфон датчики — это аналоговые датчики. Для этих датчиков требуются аналого-цифровые преобразователи (АЦП). Чтобы уместить все эти компоненты в тонкие смартфоны, используется технология «система на кристалле» (SoC), как и в микроконтроллерах. Кроме того, технология микроэлектромеханических систем (MEMS) используется для разработки небольших датчиков. В-третьих, он использует доверенную среду выполнения, которая отвечает за хранение данных в надежной, безопасной и защищенной области [11].В дополнение к этим компонентам может быть встроен другой сопроцессор, например Huawei Kirin 970, Apple M7 и Motorola X8. Этот сопроцессор представляет собой маломощный электронный компонент, имеющий собственную структуру и способный выполнять обработку естественного языка (NLP) и обработку контекстных вычислений (CCP). CCP обрабатывает данные датчиков акселерометра, гироскопа и магнитометра в режиме реального времени. Сопроцессор всегда включен и обрабатывает данные датчиков в реальном времени, даже если процессор приложения находится в режиме пониженного энергопотребления и сенсорный экран выключен.Аудиопоиск Google «Google Go» в смартфонах Android является хорошим примером возможностей НЛП. Новые сопроцессоры обладают возможностями нейронной сети, например Huawei Kirin 970, который можно найти в Huawei Mate 10.

2.1.2. Процессор основной полосы частот

Этот процессор представляет собой аппаратно изолированный компонент, который имеет соединения с картами модуля идентификации абонента (SIM), микрофоном и динамиками. Он отвечает за сотовую связь, SMS и передачу данных по сотовой сети. Он оснащен операционными системами реального времени (RTOS).Этот процессор изолирован, чтобы голосовые вызовы продолжались в обычном режиме, даже если другие компоненты и приложения смартфона перегружены. Наконец, этот процессор отвечает за процесс передачи обслуживания между ячейками сотовой сети. Стоит упомянуть, что все эти процессоры могут быть спроектированы в методе SoC, чтобы разрешить доступ к общей памяти.

2.2. Датчики

Датчики интеллектуальных устройств были встроены в эти устройства для повышения удобства их использования, управляемости и управления.Например, датчик приближения был добавлен для улучшения управления питанием устройства; то есть, если устройство находится рядом с ухом пользователя, экран автоматически выключится. Другой пример — акселерометр, который определяет положение экрана и поворачивает его содержимое в соответствии с положением пользователей. И последний пример — датчик батареи, который контролирует процесс зарядки и температуру батареи.

Исследование скрытых данных показало, что данные, полученные от этих датчиков, можно использовать и интерпретировать для отображения другой информации, как в следующих разделах.Кроме того, в разделе 3 показано, как компоненты связи и сети, оснащенные интеллектуальными устройствами, могут быть использованы в качестве скрытых датчиков сбора данных. Это приводит к разделению сенсоров интеллектуальных устройств на активные и пассивные сенсоры в зависимости от их функциональности. Любой датчик может действовать как активный или пассивный датчик в зависимости от его использования. Другими словами, если данные, собранные с датчика, используются так же, как разработчики интеллектуальных устройств или разработчики их спроектировали, это называется активной функциональностью.Однако, если собранные данные были интерпретированы по-новому, эти датчики работают пассивно. Если датчики используются таким образом, возникает проблема со скрытой информацией. В следующих разделах представлены различные датчики интеллектуальных устройств.

2.2.1. Сенсорный экран

Сенсорный экран — это электронный компонент, который отвечает за основные операции ввода и вывода. Он используется для нажатия и набора символов. Для сенсорного экрана определены три основные процедуры взаимодействия.Во-первых, касание или касание определяется как процесс щелчка по экрану в любом месте для открытия, закрытия или ввода символа. Это основное действие сенсорного экрана. Во-вторых, мультитач — это процесс касания экрана более чем одним пальцем одновременно. Эта функция широко используется в игровых приложениях [12]. В-третьих, жест определяется как процесс рисования определенного рисунка на сенсорном экране. Жесты могут быть реализованы одним пальцем в режиме перетаскивания или несколькими пальцами, как в процессе изменения размера фотографий и изменения масштаба камеры.Было проведено множество научно-исследовательских и опытно-конструкторских работ с целью использования данных этих трех видов деятельности различными методами для получения некоторых скрытых данных. Один из методов визуализации данных с сенсорных экранов — тепловые карты.

(1) Тепловые карты . Один из новых методов визуализации данных с помощью мультитач или жестов на экране смартфона известен как тепловые карты [13]. Разработчики разработали несколько методов для создания этих карт [14]. На рисунке 2 показан пример этих карт.

Эти карты, как упоминалось ранее, используются для визуализации данных.Многие приложения для смартфонов были написаны для использования этих карт для отладки написанных приложений и изучения поведения пользователей при отладке проблем приложений, таких как Appsee [15]. Более того, было проведено множество работ по изучению сенсорных жестов с использованием сенсорных карт для диагностики состояния здоровья, таких как синдром Дауна [16], воспринимаемая трудность [17] и проблемы с мелкой моторикой и глазами [18].

(2) Сенсорный экран как пассивный датчик . Во всех примерах, которые мы покажем, сенсорный экран используется активным образом: скорость касания, задержка, время набора текста и жесты.Однако исследователи нашли другой метод получения полезных данных с сенсорного экрана, который можно использовать с другими сенсорами смартфонов для изучения поведения пользователей во сне, подсчитывая, сколько раз сенсорный экран открывается и закрывается [19]. Более того, его можно использовать с приложением будильника, чтобы изучить, насколько быстро пользователи реагируют на сигналы будильника [20].

2.2.2. Датчики движения

В современные интеллектуальные устройства для обнаружения движения встроены три основных датчика: акселерометр, гироскоп и магнитометр.Акселерометр определяет изменения смещения, ориентации и наклона устройства вокруг трех осей путем измерения сил ускорения. Теория его работы зависит от изменения значения емкости, в то время как подвижная масса свободно перемещается между фиксированными пластинами в МЭМС. Полные изменения напряжения со всех пластин могут быть записаны и использованы. На рисунке 3 показана простая двухмерная структура акселерометра.

С другой стороны, гироскоп измеряет, насколько быстро устройство вращается по трем осям [21].Его внутреннее устройство аналогично устройству акселерометра. Однако сила вращения перемещает массу, чтобы изменить значения емкости внутренних неподвижных пластин. На рисунке 4 показана простая двухмерная структура гироскопа. Фактически, гироскопы и акселерометры часто используются вместе в приложениях, как показано в разделе 4.1.

Магнитометр — это датчик, который измеряет силу магнитного поля вокруг телефона, с помощью которого телефон может определить его абсолютное направление относительно геомагнитного поля Земли [22].Большинство магнитометров зависят от величины напряжения, обнаруживаемого на металлическом элементе при наличии магнитного поля. Поэтому магнитометры в основном используются в электронных компасах [23, 24].

Датчики движения — аналоговые датчики. На выходе этих датчиков разный уровень напряжения. Изменение напряжения преобразуется с помощью АЦП в цифровое число, которое можно прочитать и отобразить в цифровом мире. Датчики движения имеют разные частоты, которые определяют, сколько новых измерений выполняется каждую секунду.Функции извлекаются для извлечения полезной информации из данных датчика движения. Для извлечения этих признаков устанавливается частота чтения. Более того, значения многопоточности группируются вместе, образуя окно. Размер этих окон варьировался в проведенных исследованиях от 10 до 120 отсчетов. Наконец, из этих окон рассчитываются различные характеристики. Эти функции делятся на три основных класса: время, частота и вейвлеты. В таблице 1 показаны наиболее популярные функции временной области, а в таблице 2 показаны функции частотной области, которые доминируют при извлечении скрытой информации с этих датчиков.Определения этих характеристик и их уравнений можно найти в [25].


Характеристика Цитирование Определение

Среднее [18, 74, 1804,

, суммирование] точек данных, разделенных на их количество
Стандартное отклонение [18, 58, 74, 75, 180, 183, 184] Это квадратный корень из дисперсии
Среднее отклонение [18, 58, 74, 180, 183] Среднее расстояние между точками данных и их средним или средним значением
Асимметрия [18, 180, 183] Измеряет асимметрию от среднего значения.Он использует среднее значение и дисперсию
Эксцесс [18, 180, 183] Оценивает частоту экстремальных значений. В его формуле используется среднее значение
Среднеквадратичная амплитуда [18, 180, 183, 184] Используется для вычисления мощности сигнала. Он использует максимальное значение набора
Наименьшее значение [18, 180, 182–184] Максимальная точка данных
Наивысшее значение [18, 180, 182–184] Минимальная точка данных
ZCR [18, 183] Скорость пересечения нуля — это счетчик того, сколько раз точки данных пересекают нулевое значение
Неотрицательный счетчик [18, 183] Общее количество положительных точек данных в наборе
Средняя абсолютная разница [75, 185] Среднее значение общих различий между всеми точками данных в наборе
Время между пиками [75, 184, 185] Количество точек между двумя высокими или низкими пиками
Групповое распределение [75] Процессы группировки точек данных в меньшее количество точек или «интервалов» 90 374

903

[18, 180, 183]

Характеристика Citation


Спектральное стандартное отклонение [180, 183]
Спектральный эксцесс [18, 180, 183]
Спектральная асимметрия [18, 180, 183]
Неровность-J [18, 180, 183]
Гладкость [18, 180, 183]
Плоскостность [18, 180, 183 ]
Откат [18, 180, 183]
Энтропия [18, 183]
Яркость [18, 183]
Roughn ess [18, 183]

2.2.3. Датчики мультимедиа

В интеллектуальные устройства встроены два основных датчика мультимедиа: камера, отпечаток пальца и микрофон. В следующих разделах описывается процесс получения изображения с камеры и датчики отпечатков пальцев.

(1) Камера . Фотосъемка с помощью камеры смарт-устройства проходит пять различных сложных этапов. Процесс начинается со сбора света через объектив камеры и его фокусировки на внутреннем фильтре. Впоследствии выходные цвета RGB передаются на датчик основной камеры, датчик CCD / CMOS.На этом этапе каждый цвет обрабатывается как отдельные компоненты. Для просмотра последнего изображения требуется интерполяция цвета и этап постобработки изображения. Каждый из этих этапов оставляет отпечаток пальца на полученном изображении. Этот сбой можно использовать для отслеживания любой фотографии обратно в камеру, которая ее сделала, как показано в следующих разделах. На рисунке 5 показана конвейерная процедура сбора изображений камеры смартфона.

(2) Отпечаток пальца . Отпечаток пальца — это разновидность систем биометрического распознавания.Биометрическое распознавание можно определить как процесс, при котором личность пользователя устанавливается посредством идентификации или проверки [26]. Он набирает популярность, поскольку его процесс зависит от пользователей, а не от того, что они носят или помнят, как другие традиционные системы безопасности. Функция биометрического распознавания сильно зависит от физических, химических и поведенческих характеристик тела пользователя, таких как отпечаток пальца, радужная оболочка глаза, лицо, голос или даже запах тела или тепло тела [27].Делак и Грджич провели хороший обзор методов биометрического распознавания, охватывающий большинство из них [28]. Среди этих определяющих характеристик отпечаток пальца является наиболее часто используемым в системах идентификации пользователя, поскольку у пользователей есть отличительные образцы отпечатков пальцев для каждого пальца [29]. Следовательно, системы отпечатков пальцев — это в основном системы распознавания образов для пальцев [30], где датчик измеряет расстояния и обнаруживает образцы между выступами и канавками, которые формируют отпечаток пальца [31].После этого система либо сравнивает результат с биометрическими данными, которые были ранее получены от пользователя — процесс проверки, — либо сравнивает его с базой данных биометрических данных отпечатков пальцев от разных пользователей — процесс идентификации [26].

Существует два основных типа датчиков отпечатков пальцев, которые по-прежнему популярны и широко используются в различных системах биометрического распознавания [32, 33]: оптические датчики, в которых улавливается свет, отражающийся от выступов и впадин отпечатков пальцев, и формируется изображение отпечатка пальца. создан [34, 35], как показано на рисунке 6, и емкостные датчики, где та же процедура выполняется с использованием разницы емкостей в отпечатке пальца для создания такого же изображения, как показано на рисунке 7.Основное внимание здесь будет уделено емкостным датчикам, поскольку почти все смартфоны, поддерживающие биометрическое распознавание, оснащены емкостными датчиками отпечатков пальцев. Этот метод идентификации пользователя становится все более популярным среди пользователей мобильных телефонов. Фактически, исследования показали, что около 35% людей используют распознавание отпечатков пальцев в качестве метода проверки пользователя на своих телефонах [36]. Подсчитано, что более половины мобильных телефонов, которые будут проданы в 2019 году, будут оснащены датчиками отпечатков пальцев [29, 37].И хотя отпечаток пальца можно считать безопасным способом блокировки и разблокировки мобильного телефона, существуют некоторые приемы и методы, которые можно использовать для создания имитации отпечатков пальцев для взлома или разблокировки мобильного телефона. Цао и Джайн показали, что смартфон можно успешно взломать или разблокировать с помощью двухмерного отпечатка пальца первоначального пользователя [29]. Другие исследования пошли еще дальше, построив изображение отпечатка пальца по мелочам. Результаты показали, что существует очень большое сходство между оригиналом и восстановленным отпечатком пальца [38].Бен-Ашер и др. предложил двухэтапный метод аутентификации, при котором отпечаток пальца в сочетании с сенсорным экраном используется для проверки или идентификации пользователя [39].


2.2.4. Барометр

Барометр — это один из датчиков, которые недавно добавлены в смартфоны. Он измеряет изменения атмосферного давления вокруг телефона. Он очень чувствителен, поскольку может измерять изменения атмосферного давления внутри одного и того же здания или сооружения. Его можно использовать для предсказания погоды.Более того, он может измерять высоту устройства [40]. Wu et al. показали, что барометры смартфонов могут использоваться для обнаружения событий открытия / закрытия дверей в любом месте внутри здания на основе внезапных изменений показаний атмосферного давления [41].

2.2.5. Датчик внешней освещенности

Датчик внешней освещенности — это фотодетектор, который определяет окружающий или внешний свет интеллектуального устройства и изменяет яркость экрана интеллектуального устройства. Он также используется для уменьшения яркости экрана, чтобы снизить энергопотребление аккумулятора.В [42] он использовался для изучения психического здоровья пользователей умных часов. Более того, в разделе 4 будет показано, что этот датчик широко используется для извлечения пользовательских шаблонов блокировки экрана.

2.2.6. Другие датчики

В интеллектуальные устройства встроены и другие датчики, например датчик приближения и датчик температуры аккумулятора. Однако в литературе можно найти несколько приложений, связанных с этими датчиками. Датчик температуры батареи использовался в медицинских приложениях для решения смертельных ситуаций, когда температура тела быстро падает [43].Для датчиков приближения, насколько нам известно, не проводилось никаких приложений или исследований, позволяющих вывести различную информацию из собранных данных.

3. Смартфоны, интеллектуальный анализ данных и IoE

Интеллектуальный анализ данных — это наука извлечения полезной информации из записей и репозиториев больших данных. Эти репозитории создаются из пользовательского содержимого и машинных датчиков. Вопрос не в том, как собрать эти данные. Вопрос в том, как его добыть. Смартфоны оснащены десятками датчиков и электронных компонентов, которые генерируют данные в режиме реального времени [44].Эти электронные компоненты и датчики были встроены в смартфоны для повышения удобства использования этих устройств. Однако исследователи нашли огромные методы использования этих компонентов и датчиков для получения различной информации. За прошедшие годы было собрано множество наборов данных с открытым доступом. Их можно бесплатно скачать из Интернета. Одним из таких наборов данных является набор данных LiveLab [45], который состоит из мобильных журналов 100 добровольцев за 14-месячный период. Набор данных состоит из пятнадцати различных таблиц SQL.По данным Google Scholar, он был изучен в более чем 278 научных статьях. Из него извлечена различная скрытая информация. Другой набор данных, доступный в Интернете, можно найти в [46], который цитировался в 342 статьях. В его сборе участвовали 30 волонтеров. Сделал упор на датчик акселерометра. Он был расширен в [47] и получил еще 130 ссылок. Они расширили его на большее количество экземпляров. Однако больше датчиков не добавили. Другой пример набора данных, который был собран, содержится в [48].Этот набор данных сосредоточен на модуле Wi-Fi в смартфоне, акселерометре и гироскопе. Кроме того, были записаны данные умных часов. Последним примером является массивный набор данных [49, 50], который состоит из данных 35 пользователей, зарегистрированных в течение двух месяцев. Он записывал все действия пользователей смартфонов. Этот набор данных получил около 100 ссылок. Общей чертой всех этих наборов данных является то, что они не записывали ни контент пользователей, ни какие-либо личные данные. Другими словами, собранные данные обрабатываются как обычные данные пользователей смартфонов.Поскольку опубликовано более тысячи статей с различной извлеченной информацией из этих наборов данных, не являющихся личными, становится очевидным, как эти нечастные данные привели к извлечению массивной информации, которая может отслеживать и идентифицировать действия пользователей.

Как уже упоминалось, проблема не в сборе самих данных. Настоящая проблема в том, как связать данные с разных датчиков, чтобы сосредоточиться на другом скрытом значении. Процесс майнинга также не является проблемой; Алгоритмы машинного обучения полезны при поиске моделей для получения необходимой сфокусированной информации [44].Этот процесс похож на взлом системы. Информация собирается из активного и пассивного зондирования, например, данные датчиков. Впоследствии майнинг используется для поиска ошибок, нарушений и багов в системе. Наконец, пишутся алгоритмы для использования системы. Трудным шагом в интеллектуальном анализе данных для системы больших данных является подключение входов. Другими словами, извлеките полезные функции из данных и найдите информацию из собранных данных.

Алгоритмы машинного обучения (MLA), контролируемые и неконтролируемые, широко используются в различных хорошо известных приложениях, таких как фильтрация спама, экспертные системы и предложения друзей в социальных сетях.Было написано множество программных библиотек на всех языках программирования, позволяющих реализовать MLA в несколько строк. Это позволяет исследователям сосредоточиться на разработанном приложении и интерпретации данных. На рисунке 8 показаны наиболее популярные методы MLA, используемые в проводимых работах по извлечению скрытых данных с датчиков интеллектуальных устройств. Как показано на рисунке, количество этих алгоритмов огромно, и они не могут быть описаны в одной статье. Однако в следующих разделах будут представлены три основных алгоритма: случайный лес, машина опорных векторов (SVM) и искусственная нейронная сеть (ANN).Эти алгоритмы были выбраны, поскольку они использовались более чем в 70% проведенных исследований, рассмотренных в этой статье.

3.1. Случайный лес

Случайный лес — это управляемый MLA, который имеет два основных приложения: регрессию и классификацию. Случайный лес — это улучшенная версия деревьев решений, появившихся в 80-х годах. В случайном лесу деревья множественных решений строятся из одних и тех же обучающих данных. Впоследствии эти деревья усредняются для получения требуемого результата.Случайный лес был предложен для решения двух основных проблем классических деревьев решений: переполнения и высокой дисперсии [51]. Как и в деревьях решений, случайный лес использует метод обучения «мешковины» для получения стабильных и точных результатов.

3.2. Машина опорных векторов (SVM)

Как и случайный лес, SVM — это управляемый MLA, который можно использовать для регрессии и классификации. Однако классификация SVM преобладала. В SVM точки данных отображаются виртуально в размерной области признаков, и запускается процесс поиска гиперплоскости, которая разделяет эти точки на мультиклассы.Этот процесс инициируется выбором ряда опорных векторов из собранных данных. SVM — это расширенная версия MLA с логистической регрессией, в которой можно получить мультиклассы.

3.3. Искусственная нейронная сеть (ИНС)

Подобно случайному лесу и SVM, ИНС представляет собой контролируемую MLA, которую можно использовать для регрессии и классификации. ИНС имеет много типов и классов. Самый простой и распространенный тип — это многоуровневые сети прямого распространения. В этом типе разное количество узлов используется в трех основных слоях: входных, выходных и скрытых.Этот тип является усовершенствованием логистической регрессии. SVM и ANN схожи во многих технических областях. Однако ИНС имеет фиксированное количество скрытых узлов в скрытых слоях и фиксированное количество узлов в первом слое, равное количеству функций плюс смещение. С другой стороны, SVM выбирает ряд данных из обучающих данных в качестве вектора поддержки. Это означает, что количество узлов в SVM не фиксировано. Более того, ИНС поддерживает несколько выходов, в отличие от SVM, которая поддерживает один выход.

4.Приложения для вывода скрытой информации

Далее будет рассмотрен обзор пяти основных применений данных, полученных с помощью сенсоров смартфонов. Точность извлеченной информации проверяется в разделе 4.2.

4.1. Применение датчиков смартфона

Некоторые из следующих приложений были рассмотрены в [22]. Каждое из этих приложений будет показано с примерами проведенных работ в данной области.

4.1.1. Аутентификация нажатием клавиши

Аутентификация нажатием клавиши (KA) — это набор методов и инструментов, которые аутентифицируют пользователя компьютера или смартфона по его поведению.Были написаны тысячи исследовательских работ, чтобы показать, как различные особенности прикосновений могут различать пользователей. Одной из первых попыток изучения КА с помощью клавиатуры является [52]. Авторы попытались изучить КА статистически. 15 различным пользователям было предложено 11 раз ввести предложение из 43 символов. Были собраны и сравнены пять различных функций: продолжительность нажатия клавиш, относительная скорость нажатия клавиш, относительный порядок нажатия клавиш, клавиша Shift и ее классы. Длительность нажатия клавиш была изучена в первую очередь.Они заметили, что поведение одних и тех же пользователей при вводе одного и того же предложения 11 раз не изменилось; однако это зависит от разных пользователей. Однако наиболее эффективной функцией определения пользователей является скорость нажатия клавиш.

Эти попытки были выполнены на смартфоне. В [53] смартфон на базе Android был использован для сбора паттернов прикосновений 20 пользователей. Были собраны три основных столбца данных: действия (нажатие вниз и нажатие вверх) и расположение экрана.21 различная характеристика была извлечена из этих собранных столбцов. Были оценены два классификатора машинного обучения: ИНС и предлагаемый оптимизированный PSO-RBFN. По результатам было замечено, что нормальная ИНС достигла точности более 93%. В [54] сравнивалось семь алгоритмов машинного обучения для КА. Была использована строка, состоящая из 664 символов. Были записаны три разных столбца данных: символ, продолжительность удержания клавиши и системное время. Впоследствии на основе этих данных были построены признаки с использованием техники -рограмм.Построены 4-, 3- и 2-граммовые элементы. Результаты показывают, что более высокие -граммы дают лучшие результаты и меньше ошибок. Наконец, в [55] авторы предложили KA для смартфонов, основанную на четырех различных характеристиках: время удержания, промежуточное время, расстояние (между двумя разными нажатыми символами (в пикселях)) и скорость. Более того, они выбрали эти функции после изучения и разделения функций КА на три основных класса. Первая категория — это способ, которым пользователи вводят сообщение на сенсорном экране, где данные были собраны для извлечения функций.В этом стиле проводились разные работы [55–57]. Сравнивались разные алгоритмы машинного обучения. Полученные результаты обнадеживают. Во второй категории используются датчики движения с сенсорным экраном, как в [58]. Последняя категория — жестовая, как в [59, 60]. Стоит отметить, что о популярности КА в смартфонах написано множество обзоров [61–63]. Более того, в [61] показана популярность исследований КА и публикации статей.

Помимо смартфонов, в последние годы большую популярность приобрели умные часы KA.В [64] авторы использовали датчики движения умных часов с функциями временной области для аутентификации пользователей. Алгоритм KNN был применен к 20 пользователям. Сообщается о точности, превышающей 80%. В [65] была предложена система непрерывной аутентификации пользователей в реальном времени, использующая умные часы и алгоритм нейронной сети. В [66] была предложена система для использования KA для разблокировки умных часов на основе шаблонов взмахов рук. Другие примеры рассмотрены в [64]. Другая работа с акселерометром была проведена в [67] для аутентификации между устройствами при подключении гарнитур и смарт-часов к смартфонам.

Методы КА можно резюмировать в три этапа. Во-первых, из пользовательского ввода извлекается множество функций, таких как скорость набора, время задержки между разными символами во время нажатия и использование мультитач [68, 69]. Впоследствии эти функции нормализуются и преобразуются в матрицу входных функций и выходных результатов. Наконец, эти данные вводятся в алгоритм машинного обучения, такой как искусственная нейронная сеть (ИНС), машина опорных векторов (SVM) или логистическая регрессия (LR), для обучения.Модель вывода может использоваться для процесса аутентификации [55, 70]. Все проведенные методы следовали одной и той же процедуре с разными функциями или разными алгоритмами.

Эти системы показали высокую точность аутентификации пользователей. Однако, поскольку точность не является 100%, это может не подтвердить подлинность реального пользователя смартфона. Чтобы преодолеть эту проблему, эти системы используются в качестве второй системы аутентификации и повторной аутентификации [57] или систем непрерывной аутентификации [71, 72].В этом методе имя пользователя и пароль по-прежнему используются для аутентификации; однако для непрерывной аутентификации пользователя во время сеансов телефон отслеживает поведение пользователя при касании и касании.

4.1.2. Личные качества

Прогнозирование личных качеств на основе использования смартфонов было рассмотрено за последнее десятилетие. Проведенные работы начались с опросов и анкет, которые владельцы смартфонов заполняли, чтобы лучше понять их психологические особенности. В [73] были изучены пять различных черт, названных большой пятеркой.Эти характеристики — покладистость, сознательность, экстраверсия, невротизм и открытость. Логистическая регрессия и линейная регрессия были использованы для анализа результатов анкетирования. Телефонные звонки, текстовые сообщения, просмотр веб-страниц и игры изучались с учетом возраста, пола и пола. Авторы заявляют о положительном отношении к дружелюбию и телефонным звонкам, но отрицательное отношение к коротким сообщениям. Об этой связи также сообщалось в [74], что означает «меньше согласия, больше использования телефона.Кроме того, они сообщили, что больше игр означает меньше удовольствия [75].

Другие личные качества были проведены для оценки взаимодействия между пожилыми людьми и смартфонами [76]. Анкеты и образцы использования смартфона были записаны для трех приложений для смартфонов. Они попытались изучить связь между возрастом и моделями касания экрана. Результаты могут быть использованы для улучшения разработки приложений или прогнозирования возраста пользователей. В [77] было проведено сравнение более 13 классификаторов ML, чтобы отличить детей от взрослых с помощью прикосновения к клавиатуре.С точностью более 92% у системы есть потенциал в будущем.

Еще один интересный пример, характеризующий состояние пользователей смартфонов через сенсорный экран, — это снижение мелкой моторики у пользователей смартфонов в холодную погоду, когда температура их пальцев падает [78, 79]. Это условие можно использовать для изучения местоположения пользователей, их состояния здоровья или других проблем. В [80] авторы получили точность более 90% гендерной классификации. Однако в [81] они сообщили о точности всего 61%.Несмотря на то, что количество датчиков, используемых в [81], превышает количество в [80], выбранный алгоритм и функции ML были оптимизированы.

Другим примером в этой категории является работа, проведенная в [82], в которой данные игрового поведения пользователей сенсорных экранов были собраны и использованы для прогнозирования пользователей, которые играют. Этот метод зафиксировал точность 80%. Более того, предлагаемое приложение Falcon использует поведение пользователей для сокращения времени запуска приложений [83].

Другая интересная работа была проведена в [84], где авторы попытались определить настроение пользователей смартфонов, используя данные, собранные с датчиков.Настроение пользователей не считается личным. однако в будущем люди могут быть персонализированы по своему настроению.

Другие личные характеристики, полученные со смартфонов, — это физические характеристики, такие как пол, вес, рост, возраст, раса и даже размер обуви. Эти характеристики были оценены с помощью различных датчиков смартфонов. Прогнозирование этих характеристик с помощью датчиков смартфона называется мягкой биометрией. В [85] представлен обзор огромного количества мягкой биометрии и ее приложений.Более того, в [86] показаны проблемы и возможности в этой области. Стоит отметить, что в этой области преобладают функции датчика акселерометра. Тем не менее, датчик отпечатков пальцев, используемый в смартфоне, также использовался для классификации по полу и возрасту [87–89]. Таблица 3 суммирует некоторые из интересных и ранних работ, проведенных в этой области. Следует отметить, что на личные качества, оцениваемые с помощью сенсоров смартфонов, влияет одежда и обувь [90, 91].

9 0369 [87]

Работа Датчик Характеристики Алгоритм Черты Результаты

903

ANN, алгоритмы дерева решений J48 [187] и обучение на основе экземпляров (IBk) [188] Вес, рост и пол 71,2% для пола с использованием IBk, 85.7% для роста с использованием ИНС и 78,9% для веса с использованием IBk
[182] Акселерометр и сенсорный экран Характеристики временной области, давление прикосновения и размер — средний ближайший сосед Идентификация пользователя Более 96% для идентификации
[77] Сенсорный экран Задержка между нажатием двух разных клавиш ИНС, ближайший сосед, SVM, градиентный спуск bp, Евклидово расстояние, линейный дискриминантный анализ и еще 5 алгоритмов Классификация детей от взрослых Более 92% для SVM и 89% для линейного дискриминантного анализа
[80] Сенсорный экран Задержка и продолжительность нажатия SVM Гендерная классификация Точность 91%
[81] Сенсорный экран, акселерометр и гироскоп 29 функций, включая: специальные клавиши, общий все нажатые клавиши, количество использованных обратных пробелов, расстояние редактирования, общее время завершения, среднее время между клавишами Дерево решений (количество клавиш), линейное ядро ​​SVC (возраст), линейное ядро ​​SVC (пол), логистическая регрессия, -ближайшее, и по Гауссу NB Количество используемых пальцев, пол и возраст 80% для количества пальцев, 75% для возраста и 60% для пола
[189] Жесты сенсорного экрана, гироскоп, акселерометр 14 характеристик жеста, общая длина, общее время, ширина, высота, площадь, давление, скорость, ускорение, расстояние дуги и угол от начала до конца SVM, логистическая регрессия, наивный байесовский метод, J48 Гендерная классификация 71% точность для логистической регрессии
[190] Отпечаток пальца Особенности вейвлетов и разложение по сингулярным числам — ближайший Гендерная классификация Превышена точность 88%
Сенсорный экран Скорость жеста смахивания в четырех направлениях и другие функции из [189] Статистические Длина большого пальца и высота пользователя Точность 72% отношения между длиной большого пальца и высотой

4.1.3. Отпечаток устройства

Отпечаток устройства определяется как метод обнаружения и различения различных интеллектуальных устройств, даже если они были произведены одной и той же компанией в один и тот же день в одном и том же месте. Исследователи обнаружили, что электронные датчики, разработанные и реализованные в интеллектуальных устройствах, имеют определенные шумные выходы, которые можно использовать как отпечатки пальцев этих устройств. В таблице 4 приведены некоторые из проведенных работ по распознаванию интеллектуальных устройств по отпечаткам пальцев.

908 , акселерометр, магнитометр, микрофон и вибратор

имеет свой собственный отпечаток пальца




Работа Устройства Датчики Сценарий Функции Алгоритмы Результаты
4 сценария: (а) смартфон на столе с вибрацией и без нее и (а) смартфон в руке с вибрацией и без нее Характеристики временной и частотной области Случайный лес и наивный байесовский Точность акселерометра выше, чем у обоих датчиков.С комбинацией всех датчиков точность идентификации превышает 90%
[191] 17 устройств Android и 17 iOS Микрофон, динамики и акселерометр Три сценария (деревянный стол, металлический шкаф и подоконник) Частотная характеристика и значение БПФ Оценка максимального правдоподобия (MLE), простая евклидова классификация на основе расстояния и классификация -NN 95% точность с микрофоном и динамиком и более 98% для обоих
[180] 10 Android-устройств Акселерометр, гироскоп, магнитометр, микрофон, камера и вибратор Плоская деревянная поверхность и портативный Неоднородность фотоотклика (PRNU), особенности временной и частотной областей Пакетное дерево решений Высокая точность для гироскопа и акселерометра, 100% для комбинации обоих
[192] 4 IOS, 1 Blackberry, и 8 устройств Android Камера Функции вейвлета, неоднородность фотоотклика (PRNU) SVM Точность примерно 94%
[193] 8000 IOS Все датчики и контекстные функции — 29 различных функций SVM и случайный классификатор Точность приблизительно 97%
[194] 6 камер и 3 смартфона Камера Характеристики цвета, качества и частотной области SVM Точность от 66% до 97%
[195] 12 смартфонов и камера Камера Цвет, качество, частотная область и функция вейвлета + PRUN SVM Для всех функций точность увеличивается.Некоторые функции позволяют получить лучшие результаты в определенных сценариях.
[196] Arduino и акселерометр Акселерометр На плоском столе Функции временной области Статистические Каждый чип акселерометра
[25] 3 смартфона от трех поставщиков Акселерометр и гироскоп На плоском столе Характеристики во временной области SVM Точность более 90%
[181] [181] и Android Акселерометр и гироскоп На столе Характеристики во временной и частотной области SVM, наивный байесовский алгоритм, мультиклассовое дерево решений, ближайший сосед (KNN), классификатор квадратичного дискриминантного анализа (QDA) и объединенные деревья решений Упакованные деревья решений имеют самую высокую точность

4.1.4. Статус пользователя

Статус пользователя делится на две категории: активность и локализация в помещении. Обзор этих двух категорий представлен ниже.

(1) Активность пользователей . Это массивный зонтик, охватывающий множественные действия. Тем не менее, эти действия можно разделить на три основных класса: простые, сложные и полезные. Простые действия могут быть определены одним действием, например, ходьба, подъем по лестнице, спуск по лестнице, прилегание и сон. Сложные занятия сочетают в себе различные действия, которые происходят одновременно, например, вождение автомобиля, катание на велосипеде или переодевание.Наконец, здоровая деятельность — это комплексная деятельность, сочетающая в себе множество действий, влияющих на здоровье пользователей, например, упражнения и падение. В этих приложениях преобладают датчики движения. У них более высокая точность, чем у других датчиков. Однако какова мотивация определения статуса пользователей? Чтобы ответить на этот вопрос, будет показано несколько примеров обнаружения активности.

В [92] авторы утверждали, что извлечение действий пользователей из данных акселерометра и гироскопа предсказывает поведение водителя автомобиля.Они классифицировали водителей на агрессивных и нормальных водителей. Алгоритм DTW был реализован с функциями временной области. Авторы сообщили, что данные гироскопа повышают точность данных акселерометра при прогнозировании поведения водителей. В [93] авторы также использовали акселерометр и гироскоп для обнаружения пьяных водителей. Авторы предложили и разработали приложение, которое определяет, пьян ли водитель, предупреждает водителя и вызывает полицию. Статистический алгоритм был развернут в реальном времени.

В [94] авторы попытались классифицировать способы передвижения (ходьба, езда на велосипеде, автомобиль, автобус и поезд), используя данные GPS и акселерометра в реальном времени. Они попытались максимально уменьшить вектор признаков, чтобы уменьшить вычислительную мощность. KNN и случайный лес сравнивались с целью классификации. Для процесса сокращения признаков использовались анализ главных компонентов (PCA) и рекурсивное исключение признаков (RFE). Сообщается о точности более 96% на основе случайного классификатора лесов.Данные, представленные в этой работе, могут быть использованы для составления статистического отчета о способах передвижения в городах. Однако для проведения работ необходимы данные GPS. Этот датчик требует разрешения пользователей для работы и сбора данных. Обнаружение физической активности — еще одно приложение для прогнозирования статуса пользователей. В этом классе смартфоны используются для классификации физических нагрузок, таких как ходьба, езда на велосипеде или сон. В [95] авторы использовали показания акселерометра и гироскопа с алгоритмом SVM для классификации физических нагрузок.Были классифицированы шесть различных видов деятельности. Из этих датчиков было извлечено 17 различных характеристик во временной и частотной областях. Авторы сообщили о точности более 95% при ходьбе, 79% при спуске по лестнице, 72% при подъеме по лестнице, 92% при стоянии, 94% при сидении и 100% при лежании. В [96] авторы сравнили ИНС с глубоким обучением с несколькими алгоритмами, основанными на одних и тех же датчиках движения. Они сообщили, что ANN с глубоким обучением превышает точность 95% по сравнению с другими алгоритмами.Тем не менее, они сообщили, что SVM имеет более высокую точность для стационарных действий. В [97] авторы попытались измерить производительность 6 различных позиций смартфонов с пользователями. Алгоритмы SVM, KNN и случайного леса с функциями времени, частоты и вейвлета используются для сравнения эффективности и точности действий различных пользователей в зависимости от положения смартфона. В [98, 99] обнаружение физической активности использовалось на основе датчика магнитометра для уменьшения шума датчика акселерометра, особенно при нахождении смартфона в различных областях тела.В [97] было собрано более 27 тысяч выборок данных от десяти различных субъектов. Характеристики вейвлета, частоты и временной области были извлечены из датчиков движения. Были использованы мультиалгоритмы, такие как случайный лес, SVM и KNN. Извлеченные результаты показывают высокую точность прогноза ежедневной активности. В [100] Actitracker было предложено использовать собранные данные с датчиков движения для обнаружения физической активности пользователей в качестве приложения для мониторинга состояния здоровья. Характеристики временной и частотной области были собраны и переданы в случайный классификатор леса.Приложение Actitracker позволяет пользователям определять пороговые значения своих повседневных действий для их измерения. В [101] оценивалось приложение для смартфонов Happito, отслеживающее активность. Исследование показывает, что пользователи обращаются к приложению в среднем в течение 5 секунд только для проверки своего статуса, и их не интересуют свои исторические журналы. Это показывает, что эти данные следует удалять ежедневно в целях безопасности.

В области мониторинга здоровья с помощью датчиков движения выявляются различные заболевания, такие как болезнь Паркинсона, эпилепсия и инсульты [102, 103].В этой области преобладали приложения для обнаружения падений. В [104] авторы использовали четыре различных алгоритма классификации: наивный байесовский алгоритм, дерево решений J48, дерево решений случайного леса и SVM для обнаружения падения. Были зарегистрированы четыре типа падений: вперед с использованием рук, вперед с использованием колен, вбок и назад. Авторы утверждают, что точность превышает 99% для всех временных и частотных характеристик. В других работах использовались другие алгоритмы машинного обучения для обнаружения падений с учетом времени, частоты и вейвлетов [105, 106].Наконец, было написано приложение, использующее данные датчика движения для обнаружения падения и сигнализации [107].

В этой области используются умные часы. В [108] авторы использовали умные часы для распознавания шести различных видов деятельности с использованием пяти различных ГНД. Зарегистрирована точность обнаружения нетрезвых людей с точностью более 90%. В [109] было предложено шесть различных действий с тремя разными алгоритмами, использующими функции временной области. Сообщается о точности 90% для алгоритма J48.Интересным детектором физических действий является приложение для подсчета шагов. В этом приложении классификатор сначала определяет шаги; впоследствии он пытается подсчитать эти шаги [110]. Это приложение можно использовать в качестве первого шага в процессе локализации в помещении.

(2) Локализация в помещении . GPS доминирует в системе наружной локализации. Приемник GPS встроен во все новые интеллектуальные устройства. Однако внутренняя среда — это область без GPS. Это сделало его горячей темой для исследований в последние несколько лет, особенно в процессе локализации в метро, ​​небоскребах и торговых центрах.Локализация внутри помещений в основном делится на два класса: локализация Wi-Fi и определение точного счета пешехода (PDR). Первый класс отличается высокой точностью. Однако для этого требуется установка сетевой инфраструктуры и точек доступа. В [111] датчики смартфонов и сигнал Wi-Fi были использованы для построения точной системы локализации в помещении с частотой ошибок примерно 1,1 м. Алгоритм KNN был принят из-за его простоты. Чтобы исключить установку точки доступа и инфраструктуры, предлагается PDR.В [112] данные гироскопа и акселерометра были записаны для локализации в помещении. В [113] авторы предложили приложение для точной локализации и отслеживания в помещении на основе магнитометра и камеры. Для сравнения изображений написана модель нейронной сети. В этом исследовании утверждается три разных факта. Во-первых, магнитные показания датчиков различаются в зависимости от их расположения в здании. Во-вторых, чтение не зависит от времени. Наконец, магнитное считывание частично невосприимчиво к фоновому шуму.Другие исследования показали, что магнитометры, наряду с акселерометрами, могут использоваться для создания систем слежения с очень высокой точностью, которые могут эффективно работать в помещениях и иметь низкое энергопотребление, в отличие от GPS [114] в приложениях PDR. Другие исследователи показали метод создания внутренних карт зданий с помощью магнитометров и акселерометров [115]. Другой вид локализации в помещении — это высотная локализация. В этой области доминировал датчик барометра. Барометр может создавать модели определения местоположения телефона и, следовательно, пользователя телефона внутри зданий со 100% точностью [116].Телефонные барометры также использовались для определения уровня пола пользователя с высокой точностью [40]. Другие исследования показали, что местоположение пользователя можно оценить и отследить с приличной точностью только с помощью телефонного барометра [117]. Хотя акселерометры также могут использоваться в методах определения местоположения в помещении, барометры оказались более точными, особенно когда телефон отвлекается другими действиями, такими как игры или телефонный звонок [116]. Другое исследование продемонстрировало точные показания высоты телефона, в первую очередь, с помощью гироскопа телефона вместе с акселерометром [118].

4.1.5. Приложения для здравоохранения

Интеллектуальные устройства в приложениях для здравоохранения получили распространение за последнее десятилетие. Эти приложения подразделяются на три основных области: мониторинг состояния здоровья в реальном времени, отслеживание активности и обнаружение проблем со здоровьем и заболеваний. В приложениях для мониторинга здоровья интеллектуальные устройства могут использоваться для мониторинга различных аспектов и частей человеческого тела в активном или пассивном режимах. В активном режиме пользователь отвечает за выполнение определенной операции с использованием интеллектуального устройства для считывания внутренних органических сигналов.Например, в приложении Cardiio [119, 120] камера смартфона была адаптирована для измерения сердцебиения путем определения изменений цвета кожи во время циркуляции крови по телу. В приложениях для бесконтактного мониторинга здоровья преобладают акустические сигналы. Микрофоны и динамики получили широкое распространение. В [121] было предложено приложение для смартфона, использующее микрофон и динамик для отслеживания сердцебиения. В [19] было предложено приложение для мониторинга качества сна на основе акустических сигналов.Еще одно приложение для мониторинга здоровья — это мониторинг процесса реабилитации после травм. В [122] данные гироскопа и акселерометра были записаны дома для отслеживания прогресса реабилитации после тотального артропластики коленного сустава.

В литературе широко распространены интеллектуальные устройства и их сенсорные приложения в области отслеживания активности. В [123] было разработано приложение для смартфонов для отслеживания и предотвращения инсульта.

В обнаружении болезней интеллектуальные устройства продемонстрировали огромный потенциал.В разных приложениях используются разные датчики интеллектуальных устройств. В [124] камера смартфона использовалась для определения гемоглобина крови на анемию. Зарегистрирована точность от 76% до 85%. Другой пример применения контактной или активной камеры тестирования был предложен в [125] для проверки поражения кожи на предмет различных бактериальных заболеваний, таких как язва Бурули. В [126] были записаны все данные датчиков смартфонов для мониторинга психического здоровья и выявления депрессии, стресса и одиночества.Еще один пример обнаружения заболеваний с помощью приложения для смартфонов — это обнаружение влияния кожных заболеваний на процесс идентификации по отпечатку пальца. Было обнаружено, что некоторые симптомы кожных заболеваний могут влиять на цвет кожи или структуру сосочковых гребней, что может повлиять на сканеры отпечатков пальцев [127, 128]. Более того, исследования показали, что существует корреляция между образцами отпечатков пальцев и диабетом. Кан и др. обнаружили, что диабет был связан со средней разницей в количестве дерматоглифических гребней между большим пальцем и мизинцем с учетом поправки на пол и возраст [129].Другие также показали, что завитки, петли и дуги отпечатков пальцев у пациентов с диабетом значительно отличаются от пациентов без диабета [130, 131]. Хотя образцы отпечатков пальцев связаны только с диагностикой генетических заболеваний [132], это все еще поднимает вопрос о том, смогут ли мобильные телефоны, оснащенные сканерами отпечатков пальцев, выполнять такие задачи, как прогнозирование развития диабета или обнаружение определенных типов. кожных заболеваний у пользователей.

4.2. Точность извлеченной информации

Как упоминалось в предыдущем разделе, многие полезные приложения были предложены и разработаны на основе процесса обучения различных наборов данных.Процесс обучения, а также тестирование и проверка этих приложений проводились в контролируемой среде. Более того, собранные данные фильтруются перед использованием в MLA. Эти проблемы вызвали вопросы о точности разработанных приложений в реальной жизни и вне контролируемой среды [133].

Другая выявленная проблема — это количество функций, которые были извлечены и использованы в различных приложениях. Как упоминалось в предыдущем разделе, одни и те же функции использовались снова и снова для получения разных выводов.Те же функции использовались как для личных качеств, так и для личной деятельности. Если одни и те же характеристики раскрывают всю информацию, как личные качества не повлияют на извлеченные действия? Например, в [134] авторы показывают, как зашумленные данные в приложениях для здоровья смартфонов с большими данными могут привести к ошибочным выводам. Авторы исследовали точность приложения для подсчета шагов в смартфонах Apple и Android. Они выявили большой диапазон ошибок в этих приложениях на обеих платформах. В [135] было проведено исследование качества работы приложений для здоровья на смартфонах.Полученные результаты выявили различные вопросы пользователей относительно достоверности, точности и конфиденциальности информации. Это показывает, что точность — одна из проблем пользователей. В [136] авторы сравнили классификацию приложений для смартфонов по личной повседневной деятельности двух разных групп: первой группы из 20 молодых людей и второй группы из 37 пожилых людей. Они обучили классификатор на основе данных, собранных из первой группы, и протестировали модуль во второй группе. Тот же эксперимент был повторен с другим модулем, обученным на данных второй группы и протестированным на первой группе.Они сообщили о сильном влиянии на точность в обоих сценариях. Это означает, что в эти исследования следует добавлять личные черты в качестве характеристик или собирать массивные наборы данных из разных стран для всех возрастов. В [137] авторы провели эксперимент по распознаванию походки с использованием гироскопа и акселерометра для умных часов, используя данные за один и тот же день и в разные дни для процесса тестирования и проверки. Они сообщили об увеличении количества ошибок в распознавании походки при использовании данных в разные дни.

Третья проблема — размер набора данных. Если эти приложения будут использоваться в разных странах и от людей разного возраста, как следует собирать набор данных и какого размера он должен быть? В [138] авторы провели эксперимент с данными, собранными у более чем 700 тысяч человек из 111 стран, для изучения ситуации с ожирением в странах. В других исследованиях участвовало только 10-50 человек [134, 135].

Вопрос точности приложений для смарт-устройств, использующих MLA, требует различных процедур тестирования и проверки в реальной жизни.

5. Проблемы, связанные с выводом скрытой информации

Как упоминалось выше, было предложено множество полезных приложений, использующих скрытую информацию открытого доступа датчиков. Однако использование этих данных позволяет выявить множество проблем. В следующих разделах представлены атаки на безопасность и вопросы конфиденциальности. Кроме того, будут выявлены и другие реальные проблемы физической безопасности.

5.1. Атаки по побочным каналам

Атаки по побочным каналам определяются как любые компьютерные атаки, которые могут быть реализованы с использованием собранных данных из системы законными способами, а не ошибок в развернутых алгоритмах [139].Эти атаки делятся на девять основных категорий. Четыре из этих категорий были реализованы в смартфонах, как показано в Таблице 5.

9049 Алгоритм


гироскоп, барометр, IP-адрес и часовой пояс

903 75


Работа Тип Датчики Характеристики Комментарии Результаты
[58] Движение Гироскоп и сенсорный экран Временная область, угол верхней биссектрисы и угол нижней биссектрисы Цифровая программная клавиатура 70% точность для 4-значного PIN-кода Классификатор предположений
TapLogger [197] Движение Гироскоп, акселерометр и сенсорный экран Временной интервал и изменение угла Мягкая клавиатура для цифр 90% точность с 3 характеристиками для 8-значного PIN-кода SVM с использованием LIBSVM [198]
TapPrints [183] ​​ Motion Гироскоп и Акселерометр Временная область, частотная область и значения FTT Программная клавиатура для английских символов 90% точность для английских символов с выводом — ближайшего соседа (KNN), полиномиальной логистической регрессии, SVM, случайных лесов [199] и упакованные деревья решений
Аксессуар [184] Движение Акселерометр Временная область, среднее время от выборки до пика, общее время окна и количество выборок в окне Soft клавиатура для английских символов 6 символов пароля в 4.5 трейлов Случайный лес, ИНС, SVM и дерево решений C4.5
[200] Акустический Микрофон Функции Cepstrum [201] и распознавание речи утверждают, что это лучше, чем FFT Программная клавиатура для английских символов Точность 96% Использовались скрытые марковские модели [202], линейная классификация, ИНС и языковые модели
Атака по времени [142] По времени Микрофон FFT Мягкая клавиатура и аппаратная клавиатура Выведение ПИН-кода без активации предупреждений Цепи Маркова с атакой грубой силы
Soundminer [203] Акустический Микрофон FFT, голосовая запись и двухтональный многочастотный режим (DTMF) Программная клавиатура Вывод PIN-кода, паролей, клавиш увеличения и уменьшения громкости Распознавание речи Google
Powerspy [145] Энергия Энергопотребление беспроводной связи Файлы энергопотребления как временные ряды Выведение маршрутов и динамическое отслеживание в реальном времени Деформация времени (DTW) [204] и оптимальное смещение последовательности подпоследовательностей (OSB ) [205]
[149] Питание Энергопотребление смартфона Файлы энергопотребления в виде временных рядов Выведение приложений, геолокации, длины пароля и пользовательского интерфейса Статистика
[153] Время Прерывания Файл прерывания Вывод приложений и разблокировка телефона DWT и скрытая марковская модель (HMM)
PinMe [151] Данные датчика Вывод и отслеживание пользователей по всему миру SVM
[157] Акустический Микрофон Данные ряда Точность более 70% для 5-минутных аудиофайлов Статистический
[156] Микрофон Акустический Данные строки 1.5 частота ошибок Алгоритм без учителя

Идея атаки по побочному каналу возникла давно. В этой области появилось много методов и алгоритмов. Один из старейших методов — электромагнитное излучение, предложенный в 1980-х годах. В этом методе исследователи обнаружили, что электронные компоненты излучают электромагнитные волны при переключении между различными состояниями. Этот метод использовался в различных атаках.В [140, 141] авторы попытались вывести компьютерные пароли с помощью электромагнитных волн нажатия клавиш. Авторы утверждали, что нажатие клавиши будет излучать электромагнитные волны, которые могут определить нажатую клавишу. Были оценены различные сценарии, такие как спад и нарастание. В [142] авторы попытались изучить уникальную звуковую обратную связь при нажатии клавиш для определения нажатых клавиш. Более того, авторы попытались изучить расстояние от клавиатуры, чтобы распознать эти звуки обратной связи.Они обнаружили, что этот метод можно использовать с помощью грубой силы, не вызывая никаких предупреждений.

Атаки по побочным каналам перешли на смартфоны за счет использования их датчиков. Некоторые данные датчиков получить труднее по сравнению с другими. Например, данные GPS требуют разрешения пользователей смартфонов, чтобы начать процесс сбора урожая. Однако для других датчиков разрешения не требуются. Например, W3C опубликовал спецификацию событий DeviceOrientation, которая позволяет JavaScript на веб-сайтах получать доступ к данным акселерометра и гироскопа в Android и IOS без разрешения пользователя [143].Одна из первых работ, которые были проведены для выявления угроз атак на сенсорные данные и защиты от сенсорных атак, содержится в [144]. Было проведено много работ, чтобы показать, что все типы атак по побочным каналам жизнеспособны в смартфонах. Например, использование энергии в качестве атаки по побочному каналу было использовано в [145]. В смартфонах Android есть два файла с открытым доступом, которые отслеживают потребление энергии (/ sys / class / power supply / battery / Voltage now и / sys / class / power supply / battery / current now). Любой процесс или приложение могут получить доступ к этим файлам без разрешения.Авторы использовали эти файлы для отслеживания смартфонов и различения маршрутов. Были показаны два сценария для различения маршрутов, отслеживания в реальном времени и определения новых маршрутов. Были задействованы два алгоритма машинного обучения. Авторы показали, что потребление энергии смартфоном одинаково для одного и того же маршрута, даже если используются два разных смартфона. Предлагаемый метод не требует ни идентификаторов сот, ни SSID точек доступа, как в [146–148]. Все эти методы отслеживают смартфоны и определяют маршруты на основе атак по побочным каналам.Другой пример использования энергии в качестве побочной атаки был показан в [149]. В этой работе использовались те же два файла мониторинга мощности. Было продемонстрировано четыре различных атаки: идентификация приложения, определение пользовательского интерфейса, определение длины пароля и геолокация. Они показали, как статистический метод используется для получения точных результатов во всех этих ситуациях. В [150] авторы показали, как трассы питания могут использоваться для различения различных криптографических алгоритмов в Android-смартфонах.

Другой пример атак по побочным каналам — это атаки движением. В [151] авторы предложили PinMe, алгоритм, который может отслеживать пользователей по всему миру. Использованы датчики часового пояса, IP-адреса, акселерометра, гироскопа и барометра. PinMe может отслеживать пользователей при выполнении различных действий, таких как ходьба, вождение автомобиля, нахождение в поезде и даже в самолете. В [152] авторы предложили метод, который использует акселерометр и гироскоп для поиска маршрутов в городе, по которому въезжает пользователь.Предложен алгоритм поиска, основанный на карте в виде графа. Метод был протестирован в 30 городах с точностью более 50%, чтобы найти список из десяти возможных маршрутов.

Другой пример атак по побочным каналам — это атаки по времени. В [153] авторы показали еще один файл с открытым доступом на платформе Android, который называется (/ proc / interrupts). Этот файл отслеживает все запросы аппаратных прерываний в системе. Используя этот файл, авторы успешно вывели шаблоны блокировки, выделенные пользовательские интерфейсы и идентифицированные приложения.

В [154] авторы показали, как общедоступные файлы контроля и мониторинга с нулевым доступом с открытым доступом используются для различных атак. Например, файл (/ proc / uid-stat /), который показывает статистику использования сети приложениями, может быть показан для вывода установленных приложений и наиболее популярных приложений, которые используют пользователи. Было показано, что случай позволяет сделать вывод о состоянии здоровья пользователя путем вывода страниц статей о заболеваниях, которые пользователи читают в приложении WebMD. Кроме того, авторы показали, как файл (/ proc / net / arp) может использоваться для определения местоположения пользователей.

В [155] была предложена легкая атака по побочному каналу на основе данных, собранных с датчика внешней освещенности. Автор показал, что сила света, регистрируемая этим датчиком, изменяется при изменении положения пальца на сенсорном экране. Этот процесс использовался для предсказания PIN-кода, вводимого с помощью касания сенсорного экрана смартфона. Автор показал высокую точность определения ПИН-кодов. Однако для повышения точности следует включить другие методы.

Другая интересная атака по побочным каналам предложена в [156].Авторы утверждали, что количество людей в месте можно подсчитать, используя микрофон и неконтролируемую ВПП. Ошибка 1,5 была зафиксирована при разных уровнях шума фона.

Наконец, новая интересная акустическая атака по боковым каналам была показана в [157]. В этом методе авторы утверждали, что любые записанные голосовые или видеофайлы по всему миру имеют отпечаток местоположения. Этот отпечаток поступает из сигналов частоты электрической сети (ENF), которые можно обнаружить в записанных файлах.Загрузив сотни видеороликов с YouTube из разных стран и городов, а затем извлекая информацию ENF из этих видеороликов, новые записанные звуковые или видеофайлы можно сравнить с загруженными файлами, чтобы найти похожие ENF. Авторы заявили о точности более 70% для аудиофайлов продолжительностью более 5 минут. Другая акустическая боковая атака была показана в [158].

В таблице 5 представлена ​​сводка атак по побочным каналам, реализованных на смартфонах.

5.2. Конфиденциальность

Конфиденциальность определяется как состояние отсутствия общественного внимания.Другими словами, кто-либо держит свою жизнь в секрете, не сообщая другим подробностей своей жизни. В настоящее время Интернет и социальные сети позволяют подписчикам делиться своими фотографиями, комментариями, местоположениями и статусами. Тем не менее, конфиденциальность была рассмотрена в новом методе, при котором люди или подписчики могут контролировать, чем они делятся и с кем делиться. Это настроило определение конфиденциальности для управления контентом и вниманием людей. В эпоху больших данных MLA позволили разработчикам интерпретировать массивные данные по-разному, отличные от интеллектуальных устройств [159, 160].Это увеличивает нагрузку на разработку алгоритмов и типа собираемых данных. В [8] автор показал, что одна из самых больших проблем конфиденциальности в IoE заключается в том, что пользователи имеют ограниченный контроль над тем, какие данные следует совместно использовать и распространять. В правах человека упоминается, что люди имеют право хранить личные вещи в секрете [161]. Однако, как упоминалось ранее, большие данные могут помешать этому праву, выкапывая секретную информацию из свободно доступных бессмысленных данных.

Основная проблема конфиденциальности при интеллектуальном анализе данных заключается в том, что это неявно.Пользователи не знают, какую информацию можно обнаружить с помощью их собственных датчиков. В анкетах, проведенных в [162], авторы попытались измерить конфиденциальность пользователей смарт-устройств. В исследовании сравнивали уровень конфиденциальности пользователей компьютеров и пользователей смартфонов. В анкете было написано девять различных вопросов по категориям. Исследование авторов показало, что 68% подписчиков смартфонов не вводят свой PIN-код в смартфонах из соображений конфиденциальности и безопасности.Более того, что касается отчетов о состоянии здоровья, 38% людей не хотят открывать такие отчеты со своих смартфонов. Девять человек сказали: «Чем больше у вас проблем со здоровьем, тем более частными они становятся и чем более частными они становятся, тем меньше вероятность, что я сделаю это по мобильному телефону». Наконец, что касается служб определения местоположения, большинство людей, которые боятся использовать такой комментарий службы, что они боятся ограбления. Этот опрос показывает, что подписчики смарт-устройств обеспокоены своей конфиденциальностью.Однако что они могут сделать, чтобы защитить свою конфиденциальность от интеллектуального анализа данных?

В [163] авторы показали, что конфиденциальность интеллектуальных устройств сложна, поскольку она состоит из различных уровней оборудования, операционной системы и приложений. Поверх этого многоуровневого стека добавляется еще один уровень процесса интеллектуального анализа данных датчиков. Это показывает, как конфиденциальность интеллектуальных устройств в эпоху IoE требует нового устройства, чтобы улучшить ее без какого-либо влияния на удобство использования устройств.

5.3. Сценарии угроз безопасности

В этом разделе будут показаны некоторые реальные атаки интеллектуальных устройств.Эти атаки иногда можно отнести к категории атак по побочным каналам. Однако в этих атаках используются некоторые физические явления с использованием интеллектуальных устройств. Например, в [158] авторы используют уровни частотной чувствительности микрофона для модуляции команды, которая не слышна для человека. Команду можно получить с микрофона смартфона, интерпретировать и запустить последовательность действий с помощью службы голосового помощника, например Siri. Команда записывается и модулируется сигналом с частотой выше 20 кГц.Авторы заявили об успехе с очень высокой точностью. В [164] авторы использовали акселерометр и гироскоп в умных часах для обнаружения комбинаций механических замков. Другими словами, всякий раз, когда пользователи умных часов открывают сейф, код может быть обнаружен любым приложением, собирающим данные акселерометра и гироскопа. Эта атака может быть представлена ​​как атака по побочному каналу; однако собранные данные были использованы для взлома реального оборудования. Вот почему мы думаем, что он принадлежит к этой категории.Можно использовать многие другие угрозы безопасности. Другой пример был предложен в [165] для вывода информации о производственной плоскости и машинах, использующих магнитометр и микрофон. Авторам удалось выделить станки с ЧПУ, 3D-принтеры, их виды и виды. Далее мы показываем три различных возможных сценария, которые могут быть реализованы в будущем.

Первый сценарий — кража со взломом. В этом сценарии грабителю необходимы три части информации для успешного ограбления дома: активность владельцев, местоположение и количество людей в доме.В [19, 20] авторы показали, как режим сна пользователей смартфонов может быть записан с использованием света сенсорного экрана, состояния зарядки аккумулятора и подключения кабеля к зарядному устройству. Эти особенности могут быть использованы для изучения деятельности домовладельца в сочетании с акселерометром и гироскопом [160]. Вторая часть информации — это местоположение в доме. В ходе локализации в помещении мы обнаружили, что можно найти пользователя в закрытом помещении, используя только акселерометр и гироскоп.Для подсчета людей в доме можно использовать данные микрофона, как в [156].

Второй сценарий — это отслеживание местоположения, как в [166]. Если поведение пользователей сенсорных экранов было собрано и записано из различных приложений для смартфонов в течение длительного периода времени. Эти данные могут быть косвенно использованы для отслеживания и поиска пользователя. Даже если пользователь сменил смартфон и создал новые учетные записи электронной почты и новые имена и пароли, приложения и компании могут отслеживать пользователей, чтобы показать сходство между любыми новыми пользователями и существующими пользователями.Другими словами, в этом цифровом мире никто не будет снова начинать с нуля. Более того, если ваши прикосновения собираются в течение длительного времени, тепловые карты могут быть созданы для визуализации этих данных перед анализом. Впоследствии эти данные можно использовать для прогнозирования учетных данных пользователей, таких как имена пользователей и пароли для различных приложений. Другими словами, можно написать новую эру программного обеспечения для регистрации ключей.

Третий сценарий — атаки на основе личных качеств. Предположим, что это вирус, который взламывает только умные устройства женщин или детей.Такие вирусы могут распространяться по разным устройствам; однако это работает только в зависимости от поведения пользователей. Более того, приложение запускается / закрывается в зависимости от настроения пользователей.

Это откроет дверь для новых атак на поведение / личные черты.

Это несколько примеров тысяч угроз и сценариев безопасности, которые могут быть реализованы и предложены. Эти сценарии — открытое поле для инноваций.

5.4. Как и где начать копать скрытую информацию

С распространением смартфонов, планшетов, смарт-телевизоров и умных часов стало быстро развиваться инструменты и методы разработки приложений для них.Было предложено, разработано и коммерциализировано множество методов и инструментов [167]. Тем не менее, эти инструменты относятся к одному из трех классов: программируемые инструменты, инструменты кодирования с нулевой строкой и гибридные инструменты. Инструменты программирования определяются как интегрированные среды разработки (IDE), которые требуют навыков хотя бы одного языка программирования для программирования достойного приложения. Android studio [168], требующий глубоких навыков программирования на XML и Java, является официальной IDE для разработки приложений для Android. DroidEdit [169] — еще один пример из этой категории, который также требует навыков языка программирования Java.Третий пример — Cordova, для которого требуются навыки работы с языками веб-интерфейса, такими как CSS, HTML и JavaScript. Как уже упоминалось, эта категория инструментов требует глубоких знаний в области компьютерных наук и языков программирования для разработки приложений. В этом случае будет легче отследить и отследить код до его разработчиков [170]. Более того, хакерам-любителям или взломщикам трудно писать приложения для сбора данных датчиков пользователей, обновления их на сервере и минимального использования приложений.Однако такой стиль программирования может снизить удобство использования интеллектуальных устройств. В [171] авторы попытались использовать студию Android, чтобы написать приложение для сбора данных датчиков пользователей и загрузки их на сервер. Авторы попытались показать законность и этичность использования таких данных.

Была предложена еще одна группа инструментов: инструменты кодирования нулевой строки [172]. В этой категории приложение используется для преобразования веб-приложений и веб-страниц в приложения для смарт-устройств. Любое онлайн-приложение или сайт можно преобразовать в приложение, не написав ни одной строчки кода.Этот инструмент опасен, поскольку к некоторым датчикам интеллектуальных устройств можно получить доступ из JavaScript без каких-либо разрешений [143], как упоминалось в Разделе 5.1. Однако разработчикам приложений сначала необходимо преобразовать веб-приложение. Это также требует глубоких навыков.

Третий и наиболее сложный инструмент разработки приложений для смарт-устройств — гибридный [173]. В этом инструменте для разработки сложного кода требуется простой логический поток приложения. Навыки программирования не требуются. Однако требуется написание алгоритма.Одним из наиболее популярных примеров этого инструмента является MIT App Inventor (MAI) [174], который определяется как стиль программирования, управляемый событиями. MAI позволяет программистам получить все функции любой сложной IDE без каких-либо навыков программирования. Любой датчик можно забрать. Данными можно легко обмениваться с помощью Wi-Fi, мобильной сети, Bluetooth и NFC [175]. Бесплатная учетная запись Google — единственное требование, чтобы начать писать любое сложное приложение. Эта среда использовалась в приложении для мониторинга умного дома [176], приложении для фитнеса [177], приложении для мониторинга состояния здоровья [178] и разработке интеллектуальной лампы с датчиками смартфона [179].

Категория гибридных инструментов показывает, что атаки по побочным каналам легко реализовать. Чтобы начать реализацию приложений, на экране 9 показаны необходимые шаги. Во-первых, требуются дампы данных со смарт-устройств. Эти дампы, как показано, доступны в Интернете. Любой из этих дампов можно скачать. Во-вторых, должен быть реализован процесс извлечения признаков. Как уже упоминалось, из данных могут быть извлечены характеристики данных во временной, частотной и вейвлетной областях, а также в строках. Наконец, требуется механизм машинного обучения, такой как R, Python или MATLAB, для сравнения различных MLA, чтобы выбрать точный и простой.Иногда принятие самого простого в реализации преобладало над точным. Наконец, математическая модель готова к развертыванию.

Для развертывания обученного алгоритма в реальном мире требуется приложение для смарт-устройства. МАИ упрощает эту задачу. Алгоритм должен быть встроен в приложения любого типа. Шаги развертывания показаны на рисунке 10. Процесс развертывания состоит из двух основных частей: на стороне клиента и на стороне сервера. Клиентская сторона — это приложение для смарт-устройства. Это приложение должно содержать как минимум четыре разных модуля.Первый модуль — это модуль таймера, который будет записывать показания датчика в течение предварительно сконфигурированных периодов. Более того, отметка времени сбора данных с датчиков, как было показано, использовалась как функция в различных алгоритмах. Второй модуль — это сенсорные модули. На этом этапе следует собрать данные о том, какие данные датчиков использовались в процессе обучения. Все датчики, кроме дактилоскопического, реализованы в МАИ. Третий модуль — это модуль сохранения данных. Этот модуль необходим для уменьшения использования сети и любых модулей обработки данных, необходимых в приложении для смарт-устройства.MAI позволяет программисту сохранять данные приложения во внутренней уникальной базе данных. Заключительный этап — передача данных через Интернет-модуль. Для этого шага можно использовать протокол HTTP.

На стороне сервера веб-приложение должно быть написано и размещено в сети. Приложение должно извлечь все полученные данные из процесса передачи данных. Адрес интернет-протокола (IP) отправителя должен быть записан, чтобы различать пользователей приложения. Кроме того, он должен записывать временные метки.Второй шаг в этом приложении — извлечение признаков из полученных данных. Наконец, обученный математический модуль используется в собранных функциях для получения скрытой информации. Можно сделать другой выбор.

Другой метод может использоваться для уменьшения использования сети. Все шаги перенесены в приложение для смарт-устройства. В этом методе использование сети будет сведено к минимуму, поскольку устройство будет отправлять только скрытую информацию. Однако вычислительная нагрузка увеличится.Чтобы снизить вычислительную нагрузку на приложение, модуль таймера можно настроить для использования извлечения функций и математического модуля MLA в очень длительные периоды. Эти два сценария реализации показывают, насколько легко взломать безопасность пользователей смарт-устройств в эпоху IoE.

6. Заключение и обсуждение

Умные устройства есть везде. Наступила эра IoE. Преимущества, приложения и удобство использования этой парадигмы были представлены во многих исследовательских работах. Конфиденциальность и безопасность интеллектуальных устройств в IoE на протяжении многих лет привлекали исследователей к созданию безопасных систем.Тем не менее, машинное обучение и большие данные усложнили ситуацию. В этой статье мы покажем, как машинное обучение, большие данные и данные датчиков интеллектуальных устройств используются для поиска полезной скрытой информации. Было показано, как датчики интеллектуальных устройств, которые используются для повышения удобства использования устройств, могут быть использованы в полезных приложениях, с одной стороны, и при взломе и атаках, с другой стороны. Более того, было показано, как эти угрозы и атаки могут быть реализованы и развернуты простым методом с использованием программирования, управляемого событиями, без глубоких навыков программирования.

К сожалению, не существует скрытого руководства по защите данных, которое можно было бы загрузить и использовать для решения проблем точности, конфиденциальности и безопасности. Однако разработчики приложений и пользователи могут использовать множество методов, чтобы максимально уменьшить эти проблемы.

Осведомленность пользователей — самый важный шаг для предотвращения проблем со скрытыми данными. Пользователи должны знать, что загружать в Интернет. Перед установкой новых приложений следует внимательно прочитать разрешения для приложений. Пользователи не должны устанавливать приложения из неизвестных источников или разработчиков.Пользователи не должны предоставлять какие-либо разрешения, требуемые от какого-либо приложения, до тех пор, пока они не поймут, почему такое приложение требует таких разрешений. Например, для различных игр на рынке Android требуется доступ к мультимедийным файлам и файлам смартфона. Почему? Пользователи должны быть умнее своих умных устройств.

Разработчики операционных систем для интеллектуальных устройств должны увеличить и улучшить разрешения на доступ к датчикам интеллектуальных устройств. Пользователям следует предоставить больше контроля. Все время должно отображаться больше предупреждающих сообщений.Больше не показывать это сообщение использовать не следует. Требуются дополнительные исследования и разработки в этой области. Для повышения точности необходимо собрать больше данных из разных возрастов, полов и стран, чтобы уменьшить влияние различных переменных на конечный результат. Разработанные приложения следует протестировать в реальной жизни с помощью разных пользователей в течение определенного периода времени, прежде чем объявлять обоснованность своих выводов. Социальные сети — удобная среда для этого шага.

Наконец, мы считаем, что статическая конструкция интеллектуальных устройств является одной из основных проблем в области скрытых угроз для данных.Например, многие пользователи смарт-устройств не знают, какие датчики у них есть и как их использовать. Более того, многие датчики бесполезны для этих пользователей. Если у пользователей смарт-устройств будет возможность проектировать и настраивать свои устройства только с необходимыми датчиками и деталями, часть этой проблемы будет решена.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Разогнанный датчик умных часов использует вибрацию для распознавания жестов, объектов и местоположений — TechCrunch

Ваши умные устройства узнают, когда вы идете пешком, когда едете на велосипеде и когда вы поднимаете запястье, чтобы проверить время, просто по шаблонам движения.Но оказывается, они также могут определить, когда вы щелкаете или сжимаете кулак, держите ли вы смартфон или руль. Все, что им нужно сделать, это послушать посильнее — ну, на самом деле, примерно в 100 раз тяжелее.

Исследователи из Университета Карнеги-Меллона создали систему под названием ViBand, которая нагнетает акселерометр обычных умных часов, позволяя им обнаруживать невероятно малые изменения частоты вибрации. Это может быть звук двигателя, нота, настраиваемая на гитаре, или небольшие различия, заметные, когда вы двигаете рукой по-разному.

Секрет кроется в характеристиках самого акселерометра. Обычно они измеряют движение где-то около 20-100 раз в секунду — более чем достаточно, чтобы определить, например, ходит пользователь или бежит.

Но Крис Харрисон из CMU и его коллеги кое-что заметили.

«Прямо в техпаспорте указано« максимальная скорость 4000 Гц », — сказал Харрисон в интервью TechCrunch. Он был способен опрашивать движение более чем в сто раз быстрее, чем ему сообщал любой смартфон.«Мы увидели это и сказали:« Хм, держу пари, что там есть кое-что интересное »».

Конечно, было. Даже при распространении через «наполненный водой мешок с костями», как Харрисон описал тело, почти все производит уникальный высокочастотный образец вибрации, своего рода акустическую сигнатуру, которую можно использовать для его почти немедленной идентификации.

Сначала команда рассмотрела варианты использования, такие как возможность щелкнуть пальцами, чтобы включить свет.«Но это казалось какой-то уловкой», — сказал он. «Более интересным является возможность использовать руку в качестве продолжения этого датчика. Мы действительно можем определить, какой объект вы держите, как только вы схватите, и мы можем определить, находитесь ли вы в машине, на кухне… »

Подумайте о таймере, который включается, как только вы берете зубную щетку, о картах, которые появляются, когда вы касаетесь карты при входе в здание, или о двухфакторной системе, которая проверяет не только наличие у вас устройства, но и то, есть ли у вас … ты сидишь за твоим столом.Его можно комбинировать с активными электрическими и беспроводными сигналами, посылаемыми часами, чтобы усилить процесс распознавания.

«К нам обращались разные люди из отрасли; они такие: «Ага, не знали, что мы можем это сделать». Мы сейчас ведем переговоры с некоторыми людьми », — сказал Харрисон. «Возможности, которые мы демонстрируем, Apple, Samsung или кто бы то ни было, могут их развернуть — это все программное обеспечение».

Примеры сигналов, создаваемых различными объектами при проверке связи умными часами.

«Я имею в виду, что мы взломали часы Android не просто так», — добавил он. «Во всех этих часах есть акселерометры, и все они имеют скоростные режимы. Но мы не могли сделать это на часах Apple Watch, их очень сложно взломать ».

Это не первая попытка расширить возможности умных часов, созданных лабораторией Харрисона. Другая работа показала возможность беспроводного определения положения пальца рядом с часами или на коже руки, к которой прикреплены часы.

«Умные часы должны иметь как однодюймовый экран, — сказал Харрисон, — так как же расширить область взаимодействия, не приклеивая к ней гигантский экран? Это исследование, над которым мы работаем около пяти лет.”

Работа команды была выбрана для получения одной из четырех «лучших бумажных» наград на симпозиуме по программному обеспечению и технологиям пользовательского интерфейса Ассоциации вычислительной техники в Токио.

Интеллектуальный метод обнаружения падений, основанный на данных акселерометра с наручных смарт-часов

Точное и надежное автоматическое обнаружение падений на основе носимых устройств позволяет пожилым людям получить немедленную помощь и может облегчить серьезные последствия падений. Падения — это ненормальная деятельность, которая происходит редко по сравнению с обычной повседневной деятельностью; поэтому обнаружение падения можно рассматривать как одноклассную задачу классификации.Однако на практике сложно и опасно собирать достаточное количество данных о падениях, что затрудняет использование контролируемых методов обучения для автоматического обнаружения падений. Среди носимых устройств более вероятно, что будут приняты устройства для обнаружения падений, которые можно носить на запястье, поскольку они удобны; однако высокая точность обычно не может быть реализована из-за чувствительности к помехам от различных действий кисти и запястья. В этой статье предлагается новый интеллектуальный метод обнаружения падения, а именно ESAEs-OCCCH, который основан на данных акселерометра от умных часов, которые носят на запястье. .В предлагаемом методе ESAE сначала применяются для неконтролируемого выделения признаков, чтобы преодолеть недостатки искусственного выделения признаков, а именно требования с точки зрения опыта и времени. Затем OCCCH используется для распознавания образов. Наконец, стратегия голосования большинством и стратегия адаптивной регулировки веса объединены для повышения производительности и стабильности обнаружения падения. В соответствии с поведенческими характеристиками пожилых людей, неопределенностью повседневной активности (ADL) и активности падения (FA), а также влиянием интенсивной активности руки на сигнал акселерометра, тринадцать FA и шестнадцать ADL, включая интенсивную работу руки и запястья, моделируются молодыми добровольцами разного пола, возраста, роста и веса в двух экспериментах.Результаты экспериментов демонстрируют работоспособность и стабильность предложенного метода.

Акселерометры: что это такое и как они работают

Когда вы используете приложение компаса на своем смартфоне, оно каким-то образом знает, в каком направлении указывает телефон. С помощью приложений для наблюдения за звездами он каким-то образом знает, где на небе вы хотите правильно отображать созвездия. Смартфоны и другие мобильные технологии определяют свою ориентацию с помощью ускорителя, небольшого устройства, состоящего из осевого датчика движения.

Датчики движения в акселерометрах могут даже использоваться для обнаружения землетрясений, а также могут использоваться в медицинских устройствах, таких как бионические конечности и другие искусственные части тела. Некоторые устройства, являющиеся частью количественного определения собственного движения, используют акселерометры.

Акселерометр — это электромеханическое устройство, используемое для измерения силы ускорения. Такие силы могут быть статическими, например, непрерывная сила тяжести, или, как в случае со многими мобильными устройствами, динамическими для определения движения или вибрации.

Ускорение — это измерение изменения скорости или скорости, деленной на время. Например, автомобиль, разгоняющийся с места до 60 миль в час за шесть секунд, будет иметь ускорение 10 миль в час (60, разделенное на 6).

Назначение акселерометра

Применение акселерометров распространяется на множество дисциплин, как академических, так и ориентированных на потребителей. Например, акселерометры в ноутбуках защищают жесткие диски от повреждений. Если ноутбук внезапно упадет во время использования, акселерометр обнаружит внезапное свободное падение и немедленно выключит жесткий диск, чтобы не задеть считывающими головками его пластину.Без этого они могли бы ударить и поцарапать пластину, что приведет к повреждению файлов и чтению. Акселерометры также используются в автомобилях в качестве отраслевого метода обнаружения автомобильных аварий и почти мгновенного срабатывания подушек безопасности.

В другом примере динамический акселерометр измеряет силу тяжести, чтобы определить угол наклона устройства по отношению к Земле. Ощущая величину ускорения, пользователи анализируют, как движется устройство.

Акселерометры позволяют пользователю лучше понять окружение предмета.С помощью этого небольшого устройства вы можете определить, движется ли объект вверх по склону, упадет ли он, если наклонится, летит ли он горизонтально или наклоняется вниз. Например, смартфоны поворачивают дисплей между портретным и альбомным режимами в зависимости от того, как вы наклоняете телефон.

Как они работают

Ускоритель выглядит как простая схема для более крупного электронного устройства. Несмотря на свой скромный внешний вид, акселерометр состоит из множества различных частей и работает по-разному, две из которых — пьезоэлектрический эффект и емкостной датчик.Пьезоэлектрический эффект является наиболее распространенной формой акселерометра и использует микроскопические кристаллические структуры, которые подвергаются напряжению из-за ускоряющих сил. Эти кристаллы создают напряжение из напряжения, и акселерометр интерпретирует напряжение, чтобы определить скорость и ориентацию.

Емкостной акселерометр определяет изменения емкости между микроструктурами, расположенными рядом с устройством. Если ускоряющая сила перемещает одну из этих структур, емкость изменится, и акселерометр преобразует эту емкость в напряжение для интерпретации.

Акселерометры состоят из множества различных компонентов и могут быть приобретены как отдельное устройство. Доступны аналоговые и цифровые дисплеи, хотя для большинства технологических устройств эти компоненты интегрированы в основную технологию и доступны с помощью управляющего программного обеспечения или операционной системы.

Типичные акселерометры состоят из нескольких осей, две для определения большинства двухмерных перемещений с возможностью третьей для трехмерного позиционирования. В большинстве смартфонов обычно используются трехосные модели, в то время как автомобили просто используют только две оси для определения момента удара.Чувствительность этих устройств довольно высока, поскольку они предназначены для измерения даже очень незначительных изменений ускорения. Чем более чувствителен акселерометр, тем легче он измеряет ускорение.

Акселерометры, которые активно используются во многих электронных устройствах в современном мире, также доступны для использования в индивидуальных проектах. Независимо от того, являетесь ли вы инженером или техническим специалистом, акселерометр играет очень активную роль в широком спектре функций. Во многих случаях вы можете не заметить наличие этого простого датчика, но есть вероятность, что вы уже используете устройство с ним.

.

Добавить комментарий

Ваш адрес email не будет опубликован.