本發(fā)明涉及一種基于手機內(nèi)置傳感器的用戶行為狀態(tài)判斷方法，特別是涉及對線性加速度傳感器和重力加速度傳感器數(shù)據(jù)進行采集、穩(wěn)定頻率、濾波去噪、計算以及分類達到用戶行為狀態(tài)判斷的技術(shù)。

背景技術(shù)：

隨著智能手機的普及以及傳感器技術(shù)的進步，越來越多的手機內(nèi)置各種傳感器，這些傳感器蘊藏的大數(shù)據(jù)可以幫助用戶/第三方app更方便的分析用戶日常行為，對第三方app來說可以了解用戶當前行為狀態(tài)，基于此對用戶做場景化推薦/避免打擾用戶；對用戶來說，可以分析每天時間分配，合理安排自身時間規(guī)劃。

目前手機只是配備了傳感器，但是不管對android系統(tǒng)還是對ios系統(tǒng)來說，并不知道不同傳感器數(shù)據(jù)對應的用戶行為，對第三方app也是如此。因此，如果能通過傳感器蘊含的豐富信息判斷出用戶當前的行為狀態(tài)，對諸如駕駛類、時間管理類等場景類app有重要意義。

技術(shù)實現(xiàn)要素：

本發(fā)明主要解決的技術(shù)問題是提供了一種手機內(nèi)置傳感器可以精確判斷用戶行為狀態(tài)的方法，該方法利用決策樹方法，實現(xiàn)了用戶行為狀態(tài)識別效果。

其中，本發(fā)明的主要構(gòu)思來源于個體不同行為狀態(tài)會導致傳感器不一樣的受力，通過分析傳感器的受力情況（三軸線性加速度和重力加速度數(shù)據(jù)），對傳感器數(shù)據(jù)做相應的指標統(tǒng)計并根據(jù)預置的決策樹閾值，動態(tài)的判斷用戶當前的行為模式；另外，本發(fā)明在使用傳感器數(shù)據(jù)之前對傳感器數(shù)據(jù)進行濾波處理，降低系統(tǒng)噪聲和觀測噪聲對本發(fā)明精度的影響；第三，本發(fā)明無需預置個體用戶行為數(shù)據(jù)作為訓練；最后，本發(fā)明提供了一種在ios和android平臺通用的狀態(tài)識別方法，降低了app開發(fā)的成本。

本發(fā)明提供一種手機內(nèi)置傳感器可以精確判斷用戶行為狀態(tài)的方法，其包括以下模塊：頻率設(shè)定模塊，用于設(shè)定手機采集傳感器數(shù)據(jù)的頻率，所述傳感器指的是線性加速度傳感器和重力加速度傳感器；濾波器模塊，所述濾波器模塊針對車輛行駛過程中的頻譜特征對原始傳感器數(shù)據(jù)進行濾波降噪處理；處理器模塊，所述處理器模塊根據(jù)用戶不同行為模式，通過計算所述線性加速度傳感器和重力加速度傳感器上下四分位數(shù)之差、概率密度以及波動大小作為狀態(tài)判斷依據(jù)；分類器模塊，所述分類器模塊利用決策樹方法動態(tài)判斷用戶行為，該決策樹是由c5.0算法對預先收集的訓練數(shù)據(jù)進行機器學習得到。

優(yōu)選的，所述頻率設(shè)定模塊首先將android手機傳感器頻率設(shè)置為game模式(頻率一般在30hz到50hz范圍內(nèi)波動),將ios手機傳感器頻率設(shè)置為35hz(頻率一般在32hz到35hz范圍內(nèi)波動),從原始傳感器頻率中采樣得到穩(wěn)定的30hz傳感器數(shù)據(jù)。

優(yōu)選的，所述濾波器模塊為巴特沃斯低通濾波器，所述巴特沃斯低通濾波器根據(jù)車輛行駛過程中的頻譜特征設(shè)計，所述巴特沃斯低通濾波器對線性加速度數(shù)據(jù)和重力加速度進行濾波降噪處理，提高判斷精度。

優(yōu)選的，所述處理器模塊從起始時間開始，將5秒內(nèi)的數(shù)據(jù)（150條數(shù)據(jù)）作為判斷數(shù)據(jù)源進行一次判斷，分別計算這150條數(shù)據(jù)三軸線性加速數(shù)據(jù)的上下四分位點之差、三軸線性加速數(shù)據(jù)的值在[-0.05,0.05]之間的概率密度和，三軸線性加速數(shù)據(jù)的值在[-0.3,0.3]之間的概率密度和,三軸線性加速度和重力加速度的標準差。

優(yōu)選的，分類器模塊通過預置的決策樹對上述指標進行分類，判斷用戶當前行為狀態(tài),其中預置的決策樹由c5.0算法對訓練數(shù)據(jù)學習得到。

優(yōu)選的，所述基于手機內(nèi)置傳感器判斷用戶行為狀態(tài)系統(tǒng)利用訓練數(shù)據(jù)預先設(shè)計分類器決策樹，無需用戶預先配置自身行為數(shù)據(jù)。

優(yōu)選的，上述三個模塊通過c語言代碼實現(xiàn)之后，ios系統(tǒng)支持直接調(diào)用本方法的c代碼實現(xiàn)實現(xiàn)狀態(tài)判斷功能，android系統(tǒng)使用jni橋接后也可調(diào)用本方法的c代碼實現(xiàn)狀態(tài)判斷功能。

本發(fā)明提供了一種ios和android平臺通用的基于手機內(nèi)置傳感器判斷用戶行為狀態(tài)方法，具體包括以下步驟：

步驟1，設(shè)定手機采樣頻率，并對手機采集數(shù)據(jù)進行抽樣處理，以穩(wěn)定數(shù)據(jù)輸出頻率；

步驟2，對加速度傳感器數(shù)據(jù)做如下處理：

2-1）設(shè)計適用于狀態(tài)判斷的巴特沃斯低通濾波器；

2-2）對原始線性加速度信號和重力加速度信號進行濾波處理以消除背景噪聲干擾；

步驟3，計算用戶行為狀態(tài)判斷關(guān)鍵區(qū)分指標，包括三軸線性加速數(shù)據(jù)的上下四分位點之差、三軸線性加速數(shù)據(jù)的值在[-0.05,0.05]之間的概率密度和，三軸線性加速數(shù)據(jù)的值在[-0.3,0.3]之間的概率密度和以及三軸線性加速度和三軸重力加速度的標準差,其中:

3-1）計算上、下四分位數(shù)位置的公式分別為和；

3-2）計算三軸線性加速度的概率密度公式為，其中k為核密度函數(shù)；

3-3）三軸線性加速度的波動幅度計算公式為。

作為本發(fā)明的進一步優(yōu)化方案，步驟1采用遞歸法對原始數(shù)據(jù)進行抽樣以穩(wěn)定數(shù)據(jù)頻率。

作為本發(fā)明的進一步優(yōu)化方案，步驟2中根據(jù)車輛行駛時的頻譜范圍特征構(gòu)造巴特沃斯低通濾波器實現(xiàn)降噪。

作為本發(fā)明的進一步優(yōu)化方案，步驟3處理原始數(shù)據(jù)之前對原始數(shù)據(jù)有效性進行判斷，如果原始數(shù)據(jù)中x軸的線性加速度為0的條數(shù)占比超過10%或者原始數(shù)據(jù)不到150條，則當前數(shù)據(jù)不可用，當前用戶狀態(tài)為未知。

作為本發(fā)明的進一步優(yōu)化方案，步驟3采用高斯分布函數(shù)作為核密度估計函數(shù)。

本發(fā)明上述各方面與現(xiàn)有技術(shù)相比，首先本發(fā)明通過對用戶不同行為時手機的受力狀態(tài)進行分析，構(gòu)建有效的分類器指標體系；其次，本發(fā)明采用c5.0算法對訓練數(shù)據(jù)進行學習構(gòu)建決策樹，避免因訓練數(shù)據(jù)分布不均勻?qū)е碌臎Q策樹偏差；第三，本發(fā)明的狀態(tài)判斷方法預置了決策樹，無需預置用戶行為數(shù)據(jù)進行訓練，提高了本發(fā)明的實用性；最后，本發(fā)明通過c語言代碼實現(xiàn)之后，ios系統(tǒng)支持直接調(diào)用本方法的c代碼實現(xiàn)計步，android系統(tǒng)使用jni橋接后也可調(diào)用本方法的c代碼實現(xiàn)計步，不需要額外的硬件設(shè)備。

附圖說明

圖1是展示了本發(fā)明的方法流程圖。

圖2是展示了本發(fā)明設(shè)計濾波器使用前后行駛過程中的加速度值的對比。

圖3是展示了上下四分位點之差、三軸線性加速度數(shù)據(jù)在[-0.05,0.05]之間的概率密度和以及三軸重力加速度的標準差對狀態(tài)的區(qū)分度。

圖4是展示了本發(fā)明內(nèi)置的狀態(tài)判斷決策樹。