Tevékenység modellezés szenzoradatok alapján mély neurális hálózatokkal Android okostelefonon

Szerző: 
Czeba Bálint
Év: 
2017
Szekció: 
Jelfeldolgozás
Helyezés: 
jutalom
Különdíj: 
Robert Bosch Kft. Jutalom

Napjainkban a hordozható eszközök - mint például az okostelefonok, okosórák - a mindennapi életünk fontos részévé váltak. A jelenleg elterjedt okoseszközök használata közben jelentős mennyiségű – a felhasználóra jellemző – szenzoros (pl. gyorsulásmérő, orientációs szenzor, mágneses mezőt érzékelő szenzor, fényérzékelő- és közelségérzékelő szenzor, stb.) adatot lehet kinyerni, amikből következtetni lehet a felhasználó aktuális tevékenységeire és a környezetére. A felismert viselkedési mintázatok alapján intuitívabbá tehető az ember-gép kommunikáció azáltal, hogy például az eszköz automatikusan végrehajtja az aktuális kontextusban legvalószínűbb lépéseket, vagy azokat felajánlja a felhasználónak a manuális vezérlés helyett.

Az okoseszközökben a szenzorokat jellemzően 50 Hz-es, sok esetben akár magasabb frekvenciával is lehet mintavételezni, ami nehéz feladat elé állítja a témával foglalkozó kutatókat. Az ilyen jellegű, nagy mennyiségű adat a napjainkban aktívan kutatott mély neurális hálózatokkal feltevésem szerint feldolgozható és modellezhető, akár egy lépésben.

A mély neurális hálózatok az alkalmazott mesterséges intelligencia területén jelenleg talán a legaktívabban kutatott téma. Az elméleti megfontolásokat technológia fejlődése is segíti, például a GPU-k (Graphical Processing Unit, grafikai processzor) fejlődésével és ezen a területen történő felhasználásával jelentős mértékű gyorsulást értek el a neurális hálózatokon alapuló modellek tanítása során. Ezekkel a fejlesztésekkel olyan problémák is megvizsgálhatók, amik a korábbiak során az elégtelennek bizonyuló számítási kapacitás miatt túl sok időt vettek volna igénybe. A mély neurális hálózatok a rejtett rétegeinek számának növelésével az adatok egyre magasabb szintű absztrakcióinak kinyerésére képesek, melyek segítségével a korábbi gépi tanuló eljárásoknál pontosabb modellek építhetők.

Dolgozatomban áttekintem a már meglévő rendszereket és egyéb megoldásokat. A korábbi rendszerekhez képest új megközelítést alkalmazok az adatok feldolgozása során, a mély neurális hálózatok használatával. Elkészítettem egy mobilalkalmazást, amivel a szenzoros adatok rögzíthetők, valamint a rögzített adatokból történő modellek építéséhez szerveroldali tanítóalkalmazást is implementálok. A mobilalkalmazással több ember segítségével adatrögzítéseket végeztem és lehetővé tettem a betanított modellek valós életbeli tesztelését is. Eredményeimet részletesen dokumentáltam és objektív módszerekkel értékeltem ki.