هزینه انرژی هر حسگر به خودی خود نه تنها به مصرف انرژی آنی در عمل بلکه به طول مدت عملیات نیز بستگی دارد.درشکل زیر، ساختارهای عملیات حسگر برای هر دو کلاس نشان داده شده است .این ساختار با یک شروع می­ شود بلوک­دهی اولیه، که بلوک با روشن شدن حسگر و سپس انتظار برای پاسخ که به اطلاع برساند که حسگر آماده است اذعان دارد. به عنوان مثال، مطالعه مرجع ۱ این مقاله بیان می­ کند که برای عملکرد GPS، نیاز به حداقل ۱۰ ثانیه برای موفقیت همگام شدن با ماهواره دارد. برای حسگرهای دیگر، مدت زمان کوتاه­تر خواهد بود. بلوک دوم پردازش نامیده

می­ شود. این بلوک به ارائه بهره­وری در مصرف انرژی اختصاص یافته است. در این بلوک، حسگر شروع به گرفتن اطلاعات متنی به کاربر و در ادامه این عمل بارها و بارها تکرار می­ کند. در بلوک سوم فعالیت حسگر به پایان می­رسد و خاتمه آن است. پس از تمام این سه بلوک، حسگر خاموش می­ شود تا زمانی که وظیفه دیگری به آن تخصیص داده شود.

شکل۲- ۱۵-نمونه برداری انطباقی وچرخه وظیفه[۴۵]
در روش ارائه شده با هدف βtotalبه عنوان هدف نهایی برای مصرف انرژی کمتر با فرض این که θinit و θtermمیزان انرژی مصرفی برای مقدار دهی اولیه و فسخ حسگر باشد، نامساوی زیر برقرار می­ شود:
[۴۵]
فرمول نهایی محاسبه شده در این مقاله:
[۴۵] بازده، ζ، که کمترین میزان مصرف انرژی بوسیله هزینه انرژی پیش بینی شده βtotal، محاسبه شده به دست آمده است. بطور کلی هدف محقق این مقاله رسیدن به هدف ذیل برداشت شده است: بهترین الگوریتم صرفه­جویی در انرژی، تأمین انرژی مجموعه ­ای از حداقل حسگر با تشخیص فعالیت­های هر کاربر در دستگاه­های تلفن همراه می­باشد.
در مقاله [۲۰]، نویسنده مدل خود را بر یک نوع از تصمیم ­گیری اعمال کرده – چگونه یک برنامه تلفن همراه می ­تواند فعالیت های انسانی را بر اساس اطلاعات حسی جمع­آوری شده در دستگاه های تلفن همراه را پیش ­بینی کند.
نویسنده پیشنهاد کرده است برای ساخت برنامه های تلفن همراه از این نوع چارچوب که به طور مشابه شامل حالت سنجش و حالت شهود (درک مستقیم) است استفاده شود. نتایج باید نشان دهد که چارچوبی به خوبی کار می­ کند که در آن فعالیت های بشر بر اساس نظم و قاعده باشد.
تشخیص (آشکارسازی) فعالیت­های بشر توجه تحقیقاتی قابل توجهی را در سال­های اخیر به خود جلب کرده است، به خصوص با گسترش گوشی­هایی با حسگر در سطح پایین­تر، آن را با هدف تشخیص موقعیت­های حرکتی یک کاربر، برای مثال، نشستن، راه رفتن، دویدن، دوچرخه سواری یا رانندگی بکار برده است. در یک سطح بالاتر، آن را با هدف پیش ­بینی مکان کاربر و حتی برنامه، اهداف، و مفاهیم بکار می­برند. معمولا برنامه ­های کاربردی تلفن همراه که برای تشخیص فعالیت­های انسانی در پس زمینه اجرا می شود به طور مداوم به جمع­آوری داده ­های حسی و استنتاج مباذرت ورزیده، که اغلب تخلیه باتری ( اگر برای آن شیوه­ای با انرژی کارآمد طراحی نشده باشد) را بدنبال خواهد داشت.
محدوده این قسمت از تحقیق نویسنده، در یک مسئله تشخیص فعالیت بر روی تشخیص جابجایی مکانی، با هدف تشخیص اماکنی که در آن فرد برای مدت زمان طولانی در انجا توقف و یا بطور مکرر بازدید داشته است، و جابجایی مکانی زیادی به آن مناطق داشته تمرکز داشته است.
بسیاری از خدمات فوق نیاز به یک تابع اساسی، تشخیص جابجایی مکانی، تشخیص زمانی که کاربر ورود یا خروج به یک مکان مشخص را دارد. این اطلاعات برای یک برنامه کاربردی برای تعیین زمانی برای شروع و متوقف کردن خدمات مفید است. به عنوان مثال، برنامه می ­تواند یک یادآوری یا پیشنهاد باشد زمانی که کاربر در حال نزدیک شدن به فروشگاه و حذف توصیه و یا چیز دیگری برای توصیه، زمانی که کاربر در حال ترک محل فروشگاه می­ شود.
و به سه دلیل زیر تشخیص جابجایی مکانی یک کار چالش برانگیز است:
اول، تشخیص جابجایی مکانی باید خودکار باشد.
ما نمی­توانیم کل آن را به کاربر بسپاریم و یا نیاز به ورودی زیاد باشد زیرا می ­تواند برای کاربر امری آزار دهنده و مستعد خطا باشد.
دوم، آن باید انرژی کارآمد باشد.
از آنجا که کاربر ممکن است یک جابجایی مکانی را در هر زمان و در هر مکان شروع و یا پایان دهد، تابع تمام وقت در پشت صحنه در حال اجرا خواهد بود.
سوم، برای اینکه تشخیص خدمات برای کاربر مفید باشد باید دقیق و به موقع باشد.
برای تشخیص چارچوب جابجایی مکانی در این قسمت از گزارش، نویسندگان یک چارچوب خودکار، دقیق، به موقع وبا انرژی کارآمد برای تشخیص جابجایی مکانی بر روی دستگاه­های تلفن همراه ارائه داده­اند.
در این قسمت نویسنده بر تشخیص جابجایی مکانی زمانی که آغاز می شود و به پایان می­رسد و با توجه به مکان­های مهم مانند منزل و محل کار تمرکز کرده است. نویسنده محاسن روش های بر اساس GPS-/Wi-Fiرا ترکیب کرده، که دقیق تر ولی در عین حال مصرف انرژی بالاتری دارند، و روش مبتنی برcell-ID ، که انرژی کارآمدتری داشته و در عین حال دقت کمتر.در مقایسه با کارهایقبلی بر اساس GPS-/Wi-Fi، رویکرد آنها نمایشگاه روند روشنی از کاهش مصرف انرژی به عنوان مکان و تکرار همان جابجایی مکان­های همان بازدیدکننده داشته است یک کاربرچارچوب این است که از نظریه کانمن در تصمیم ­گیری انسان الهام گرفته شده است. یشتر به طور خاص، از دو حالت مجزا به شرح زیر به ترتیب تشکیل شده است. در حالت سنجش، الگوهای ID سلول از داده ­های جمع­آوری شده توسطGPS ، Wi-Fi یاد گرفته و حسگرهای ID سلول و این الگوها مرتبط با مکان­ها و جابجایی­­های مکانی با بهره گرفتن از روش های موجود محلی سازی بر اساس GPS-/Wi-Fi یاد می­گیرند.
در حالت شهودی، نویسنده با بهره گرفتن از داده های جمع آوری ID سلول و یادگیری الگوهای ID سلول برای تعیین اینکه آیا یک کاربر در یک محل قرار دارد، وارد یک مکان شده یا خروج از یک مکان داشته، استفاده می­ کند. هنگامی که آن یک مکان تکراری یا جابجایی مکانی تکراری باشد، هزینه انرژی نزدیک به صفر است، زیرا تنها داده ­های سلول ID
جمع­آوری شده است. در همین حال، به این دلیل که الگوهای ID سلول در حالت مشورتی آموزش دیده­اند، دقت و صحت آن با GPS / Wi-Fi قابل مقایسه خواهد بود.
بحث مطرح شده در این مقاله [۴۶] برنامه­ ریزی برای یک سیستم تشخیص فعالیت ماژولار به منظور کاهش مصرف انرژی در گوشی­های هوشمند است که با توجه باینکه در طول سال­های گذشته، گوشی­های تلفن همراه بیشتر بر روی تحقیقات جالب تشخیص فعالیت تمرکز کرده است این تحقیقات مورد مطالعه با دو مشکلات سیستم مواجه شده است: اول، چگونگی تفکیک و برنامه­ ریزی برای عملکرد تشخیص فعالیت و دوم، چگونگی به حداقل رساندن مصرف برق.
در این قسمت نویسندگان (الف) پیشنهاد استفاده از یک مفهوم ماژولاربه مراه برنامه­ ریزی با محوریت تشخیص فعالیت که اجازه انجام یک برنامه­ ریزی خوب و در نتیجه قابلیت تشخیصفعالیت را بشکل موثرمی­دهد.
(ب) ارائه یک مکانیسم برنامه­ ریزی زمان خواب که فاز خواب را برای کاهش مصرف انرژی پیاده­سازی می­ کند. این قسمت در سیستم تلفن همراه پیاده­سازی و ارزیابی شده است.
در سال­های اخیر تشخیص فعالیت یک موضوع تحقیقاتی بسیاری محققان مربوطه بوده است، اما با ساپورت و ارائه گوشی­های تلفن همراه با حسگرها و قدرت محاسباتی کافی برای محاسبات تشخیص در خود دستگاه، موضوع به کاربر عادی مربوط می­ شود. بسیاری از برنامه ­های کاربردی می­توانند به منظور بهبود اداره کردن دستگاه از طریق کاربر، از فعالیت و اطلاعات زمینه­ای بهره­مند شوند. اما هنگامی که پای مقوله تشخیص فعالیتی که بشکل مستمر برای ارائه اطلاعات به برنامه ­های کاربردی در پس زمینه در حال اجرا است به میان می ­آید، موضوع عمر کوتاه باتری مطرح
می­ شود. با توجه این مقاله به دو راه برای مقابله با این مشکل پیشنهاد شده است، یکی کاهش فعالیت­های محاسباتی برای فرایند تشخیص فعالیت و دیگری استفاده از اطلاعات خود فعالیت به منظور برنامه­ ریزی فرایند تشخیص است.
شکل۲- ۱۶-صف پردازش تشخیص فعالیت[۴۶]
در [۴۷] تشخیص فعالیت با بهره گرفتن از تلفن­های همراه پتانسیل زیادی در بسیاری از برنامه ­های کاربردی از جمله
مراقبت­های بهداشتی همراه دارند. به منظور اجازه دادن به یک شخص که به راحتی و بشکل مستمرخود را با پزشک درورزش و تنظیم کیفیت و کمیت ورزش هماهنگ کرده می­توان از یک تلفن هوشمند استفاده کرده و بر اساس تشخیص دقیق مبتنی بر سیستم گزارش­دهی فعالیت، طیف وسیعی از فعالیت­های روزانه مدت زمان هر فعالیت را گزارش داد.
یک شتاب­سنج سه محوری جاسازی شده در تلفن­های هوشمند که برای این کار مورد استفاده قرار می­گیرد فعالیت­های مختلف، از جمله ایستادن، راه رفتن، دویدن، و رفتن به طبقه بالا وپایین را طبقه ­بندی می­ کند. در ساخت مدل از یک شخص خاص اغلب می ­تواند از نتایج دقیق عملکرد استفاده کرد که در هر فرد متفاوت است. برای حل متقابل مشکل تشخیص فعالیت افراد، یک الگوریتم به معروف بنام­(TransEMDT)­که حاصل ادغام درخت تصمیم ­گیری و الگوریتم خوشه بندی K -means برای انطباق مدل تشخیص فعالیت فردی کاربر می­باشد، پیشنهاد شده است.
شکل۲- ۱۷-سیستم تشخیص فعالیت [۴۷]
شکل۲- ۱۸-تصویر کلی از فریم ورک TransEMDT [47]
در [۴۸] یک سیستم برای تشخیص فعالیت و راه رفتن درسیستم­عامل اندروید گوگل^[۲۴]، که قابل اجرا بر روی
گوشی­های هوشمند از انواع تولیدات طراحی شده است.
در طول این تحقیقات، محقق اجازه خواهد داد که شرکت کنندگان ویژگی­های مختلفی را امتحان کند و سعی در نشان دادن توانایی گوشی در تشخیص یک فعالیت پیش برنامه­ ریزی شده مانند مجموعه ­ای از فعالیت­های (دویدن، آهسته دویدن، پریدن، یا پیاده روی)، یا توانایی گوشی برای یادگیری ویژگی­های راه رفتن و یا شیوه راه رفتن و نشان دادن اینکه تلفن می­توانید شرکت کننده را تشخیص دهد، دارد. در این کار نیازی به حسگرهای پوشیدنی تخصصی و یا دقیق ندارد. برنامه زمانی کار می­ کند که گوشی به سادگی در جیب شلوار قرار می­گیرد. علاوه بر این، محاسبات الزامی مورد نیاز برای آموزش این سیستم ممانعتی برای زمان واقعی شرح و اثبات می­باشد و در بسیاری از موارد حتی دسته­بندی نیاز به محاسبات بیشتری دارد که می ­تواند در دستگاه تلفن همراه از جمله گوشی­های هوشمند انجام پذیرد.
این سیستم با محاسبات کارآمد طراحی شده و می ­تواند هم می ­تواند دسته­بندی را یاد بگیرند ودسته­بندی را در زمان واقعی بر روی دستگاه تلفن همراه با حداقل مصرف انرژی انجام دهد ­و در نهایت فعالیت­های متفاوت، با نتایج دسته­بندی در نظارت جداگانه برای همه برای دیدن نمایش داده می­ شود.
۲-۶-جمع بندی
در اکثر مقالات بالا با بهره گرفتن از شتاب سنج و ژیروسکوپ از تلفن هوشمند به عنوان یک جایگزین طبیعی­تر به ترکیبی از حسگرهای تعبیه شده در بدن توصیه می شود. در حالی که بسیاری از افراد مسن در حال حاضر به احتمال زیاد به حمل تلفن­های هوشمند راغب نیستند، افراد جوانتر به طور فزاینده­ای تمایل به حمل تلفن همراه دارند. این افراد نشان دهنده نسل بعدی از سالمندان می­باشند. بنابراین در حالی که تلفن و لوازم جانبی غیر­طبیعی آن هنوز هم ممکن است برای افراد مسن قابل بکارگیری ولی با بهره گرفتن از گوشی به عنوان دستگاه اصلی برای جمع­آوری داده ­ها، احتمال پوشش داده ­ها را افزایش می­دهد و نشان داده شده است حداقل هزینه و تعهد و نگهداری برای کاربر دارد.
با مطالعه [۴۹]، درمی­یابیم که نویسنده یک سیستم برای تشخیص فعالیت فیزیکی انسان (AR) با استفاده ازحسگرهای گوشی­های هوشمند ساکندر نظر گرفته است. از آنجا که این تلفن­های همراه در شرایط محدودانرژی و قدرت محاسباتی می­باشند، نویسنده پیشنهاد یک رویکرد سخت­افزاری جدید برای دسته بندی چندکلاسه ارائه می­دهد. این روش استاندارد سازگار باماشین بردار پشتیبان^[۲۵]و با بهره گرفتن از نقطه ثابت ریاضی برای کاهش هزینه محاسباتی می­باشد. نسبت بهSVM سنتی نشان می­دهد که از لحاظ هزینه­ های محاسباتی بهبود یافته در حالی که حفظ دقت در آن پایدار بوده است.
شکل۲- ۱۹-مراحل پردازش تشخیص فعالیت بشکل پشت سر هم [۴۹]
در این مقاله [۵۰] توصیف و ارزیابی یک سیستم است که با بهره گرفتن از شتاب­سنج گوشی مبتنی بر انجام تشخیص فعالیت یک کار است که شامل شناسایی فیزیکی فعالیت­های یک کاربر که در حال انجام است می­باشد. برای پیاده­سازی سیستم داده ­های شتاب سنج­جمع­آوری شده از بیست و نه کاربر با عنوان فعالیت­های روزانه مانند پیاده­روی، آهسته دویدن، بالا رفتن پله­ها، نشستن و ایستادن که زمان آنها را ذخیره می­ کند. سپس از داده ­های حاصل از آموزش از آن برای استفاده مدل پیش ­بینی برای تشخیص فعالیت استفاده می­ شود.
این کار مهم است زیرا مدل تشخیص فعالیت به ما اجازه به دست آوردن اطلاعات مفید در مورد عادات میلیون­ها نفر از کاربران با حمل تلفن­های همراه را در جیب خود می­دهد. این کار دارای طیف گسترده­ای از برنامه ­های کاربردی، از جمله شخصی­سازی خودکار دستگاه تلفن همراه مبتنی برفعالیت­های کاربر و تولید مشخصات فعالیت روزانه­/ هفتگی یک کاربر به منظور مدیریت انرژی تلفن همراه وی با بکارگیری صحیح حسگرها، را خواهد داد.
فصل سوم