基于智能手机检测学生行为系统

吴纪芸 江 梁

基于智能手机检测学生行为系统

吴纪芸 江 梁

在校园里，大学生迟到、旷课和早退的现象频频出现，这既影响老师的授课和学生的学业，也严重影响学校形象。因此，如何有效杜绝此类现象的蔓延，是我校同其他高校亟待解决的问题。本文建立一个基于Android智能手机对学生行为检测的系统模型，利用手机的内置传感器（加速度、陀螺仪、压力、近距离和光线传感器）采集学生的行为特征，并设计一个警报系统。本文设计一个基于Andriod系统的手机应用软件用于采集学生的行为特征，并对其进行数据预处理，运用参数优化后的支持向量机对行为数据进行分类，经检测得到系统的精确度高达98.2％。

如今，在大学校园里，大学生上课迟到、旷课和早退等现象频频发生，严重影响学校的形象和学生的学习情况。近年来，智能手机技术和传感器技术越来越成熟，促使现有的许多智能手机内都集成了许多传感器，如小米3手机就集成了加速度、近距离、光线等传感器。其次，由于Android平台的开源性，使得Android智能手机的价格比较低且使用比较广泛，进而使Android智能手机成为运动识别和运动检测的理想平台。目前基于Android智能手机进行的人体运动识别的研究大多都是把手机固定在身体的某些部位，比如：胸前、手臂上、大腿上等。虽然识别的精度达到80％ 以上，但是因为每个学生的习惯不同，所以每个学生都有自己习惯放置的位置，比如：上衣口袋、裤兜、手上等。另外，由于衣服的款式和材质的不同，也会对手机在其中的方向和位置造成影响。所以要使算法具有广泛使用性，并适用于大部分学生，就需要考虑手机位置和方向在口袋里的多样性。因此，本文主要研究Android智能手机在位置和方向都不确定的情况下对学生的行为进行识别。

为了能够更好地督促学生自身的行为，也为了学校方便管理学生。为此，设计一个警报系统：利用Android智能手机内置传感器采集的数据，判断手机的地理位置是否在上课教室，如果不是，系统就发送警报信息至辅导员处；如果是，接着经过SVM算法分析之后，确定行为特征是否匹配，若不是则发送警报信息至辅导员处，如果是，则判断行为是否符合预设行为，若是则说明学生在教室上课，否则阈值加1。接着判断阈值是否大于等于3，若是就发送警告信息至辅导员处，否则再判断是否在同一节课，若是则重新获取手机传感器数据，否则将阈值初始化。

模型

手机位置判断

近年来，有许多利用智能手机对运动识别的不同应用和功能的研究。而对于手机在身上放置的位置，有些研究是让实验者把手机放在一个位置来进行所有的研究；有些研究是则把手机固定在一个或多个位置来采集训练数据。尽管一些研究指出在手机位置已知的情况下对运动的识别精度会提高，但却只有少部分文献研究如何判别手机位置的算法。为了能够迎合用户的习惯，将手机放置在自己习惯的口袋位置中，因此，本次建模基于Android智能手机内置的近距离和光线传感器检测距离和光线的变化来控制程序的自动运行，并采集数据。

近距离传感器是通过红外线进行测距的，当用户在接听电话或者将手机放进口袋时，近距离传感器可以判断出手机贴近了人的脸部或者衣服而关闭屏幕的触控功能，从而防止误操作，也可以节约电量的耗损。大多数的近距离传感器返回的是以cm为单位的绝对距离，但也有一些是返回距离的远或近。光线传感器测量光线的强度，以lux为单位，Android SDK将光线强度分为不同的等级，每一个等级的最大值由一个常量（其中最大值为120000.0f，最小值为100.f）表示，以便根据手机所处环境的光线来调节手机屏幕的亮度和键盘灯。

为了判别手机是否在口袋中，本模型设当光线的强度值小于100.0f，且近距离传感器的返回值为0，则说明用户将手机放置在口袋中。

数据采集

Android智能手机中常见的传感器有加速度、陀螺仪、磁力、压力、近距离和光线传感器等。加速度传感器用来获取x、y、z三个方向的加速度值；陀螺仪传感器用来测量手机绕x、y、z轴旋转的度数；压力传感器用来测量当前的压强；近距离传感器用来测量附近的物体与设备屏幕间的距离；光线传感器用来测量周围环境的光照强度。使用Android智能手机内置的传感器，要先获取系统中的传感器管理对象SersonManager，然后通过SersonManager和传感器的类别获取到相应的传感器。

警报系统设计

图1　警报系统的工作流程图

当学生在上课期间的行为动作不符合规定超过阈值，学生的手机所获取的地理位置数据不在上课教室，手机携带者不是学生本人，则学生所使用的Android智能手机就会给辅导员发一条警报消息。警报系统的工作流程：设阈值初始值为0，利用Android智能手机内置传感器采集的数据，判断手机的地理位置是否在上课教室，如果不是，系统就发送警报信息至辅导员处；如果是，接着经过SVM算法分析之后，确定行为特征是否匹配，若不是则发送警报信息至辅导员处，如果是，则判断行为是否符合预设行为，若是则说明学生在教室上课，否则阈值加1，。接着判断阈值是否大于等于3，若是就发送警告信息至辅导员处，否则再判断是否在同一节课，若是则重新获取手机传感器数据，否则将阈值初始化。警报系统具体的工作流程图如图1所示。

实验与分析

数据采集

本模型使用基于Android智能手机（MIUIV6（基于Android 4.4.4 KitKat），144*73.6*8.1m3，145g）内置的三轴加速度、陀螺仪、磁力、压力、近距离和光线传感器来采集数据。在实验过程中没有对实验者有特殊要求，他们按自己平时的习惯将手机放在任意口袋，然后做一系列动作。本建模只识别5种日常基本行为动作：走路、跑步、静止、上楼梯、下楼梯。每种动作持续进行1分钟，相邻两种动作之间间隔3s后进行，以便区分不同的动作数据。针对该建模的数据采集，借助一款Android APP，界面如图2所示，主要利用Android智能手机内置的近距离和光线传感器监测距离和光线的变化来控制程序的自动运行，即仅当检测到手机放入口袋后才开始采集数据，检测到手机拿出口袋后停止数据采集。自动将手机采集到的数据以txt文档形式存在手机外挂SD卡（若无外挂SD卡，则将内置的ROM识别为SD卡）上，如图3所示，为后续的数据分析和模型仿真做准备。由于手机是随意放在口袋里进行测试的，手机在放进口袋和从口袋中取出过程中会影响传感器数据，因此，为了能够收集到较精确的数据，设定在手机放进口袋3s后开始收集数据，在数据收集结束3s后再从口袋取出手机。再处理数据时，除去前后多余的数据，得到最终的行为状态数据。

图2　Android APP数据采集界面

图3　数据采集停止后自动生成txt文档

数据预处理

本建模在数据采集过程中每200ms采集一次。由于采集信号时人身体的抖动或手机在口袋中的摩擦所产生的噪声都包含在采集到的运动信号里。因此，采用异常值移除处理、归一化处理和降维处理对收集到的数据进行预处理。

1.异常值移除处理

在收集的数据中存在许多异常值，而这些异常值将会影响整个数据的特征迁移。为此，我们先单独导出这些异常数据，利用盒图之间的最大值和最小值的间距来反应这些数据的变异程度。通过盒图，不仅可以直观地看到离群值，而且判断数据集的离散程度和偏差的最大和最小观察点，通过观察迁移程度的中位数。我们删除离群值的所有数据，所以数据特征不会迁移。

2.归一化处理

移除异常值后，应对数据进行归一化处理，及统一不同来源的数据使用相同的参考系统。它能够使后续数据处理更方便，同时，它可以增加程序的收敛速度运行，以避免奇异样本数据的特点掩盖或被淹没。我们将数据归一化处理的限定范围为。虽然归一化后的数据有轻微变化，但其特点仍然保留，对数据的影响小。

3.降维处理

高维度的自由空间会增加程序的计算量，为了避免这种情况，需要按照累积贡献率数据的特征进行降维。样本数据通过线性或非线性变换从输入空间映射到低维空间，得到新的低维数据。图4是每个维度特性的贡献率和累积贡献率。在这个图中，条形的高度分别代表9维特征的贡献率，折线代表着9维特征的累积贡献率，9维特征根据贡献率由高到低排列。从图可以看出，当数据的维度达到9时累积贡献率达到100％。它表明9维的特性能够充分表达了原始数据的特征。如果要求程序的运行速度或收敛速度加快，但不需要原始数据达到100％的程度，则可以通过降维。例如，前6个的表达程度特征的原始数据已达到90％。如果只需90％的累积贡献率，我们只要提取前6个特征向量作为输入样本。

算法参数优化

此步骤的目的是准确地识别学生的行为状态，包括走路、跑步、静止、上楼梯和下楼梯。随着这些状态被细分为十分详细状态，采用n类分类方法来解决这个问题。第一到第五行为状态分别为走路、跑步、静止、上楼梯和下楼梯，分别标记为1、2、3、4、5。本文采用支持向量机算法进行分类。作为惩罚参数c和核函数参数g对支持向量机的性能有很大的影响，采用网格搜索的方法，找出最优值。图5是相对应的分类精度不同的c和g参数组合。实验结果表明，许多c和g组对应分类精度最高，但为了避免反复学习的状态，我们采用最小的c和g的组合，也就是说，当c和g的最佳值是362.0387和2，准确度高达98.2％。

警报系统实现界面

当学生在上课期间不在教室，或手机持有者非本人，或行为异常次数达到阈值，学生所使用的手机端就会自动发送警告信息到辅导员手机端。因此，我们设计一款Android APP用于自动发送警告短信，自动发送信息的核心代码为：

总结

本文通过对当前科技和市场的了解和分析，考虑到可以利用可穿戴设备对学生的行为进行管理，但是由于当前的可穿戴设备的技术还不够成熟，需要使用者每天把这些设备穿在身上，给他们的日常生活带来诸多不便，再加之这些设备的成本比较昂贵，不适合校方普遍采购使用于学生身上。另外，随着智能手机越来越智能化、越来越低廉化、越来越普及，所以本文借助Android智能手机的平台建立了一个通过判断学生手机的位置，采集大学生的行为数据库，判断手机的地理位置与上课地点是否相符，判断手机携带者是否为学生本人，进一步将行为与课程相对应，最后对大学生行为进行检测的系统模型，即基于Android智能手机对学生行为检测的系统模型，并对模型进行了分析和应用。

图4　9维特征的贡献率和累积贡献率

图5　等高线表示不同分类精度的c和g参数组合

10.3969/j.issn.1001-8972.2015.09.022