可视化网站

摘要

近年来，随着智能手机的普及，越来越多的年轻人使用智能手机记录运动数据。智能手机配备的加速度计和陀螺仪等多传感器可以采集用户的大量的时序数据，这些数据是否可以用于识别用户的固有特征和行为模式是本项目关注的重点。

目前，我们HPSCIL城市计算小组开发了一套名为微传感的手机app。采集了若干组大学生志愿者的运动数据，和其过程中产生的手机多传感器时序数据。基于时序数据分析和深度学习模型提出"RunnerDNA"模型。研究结果说明，基于手机多传感器数据的RunnerDNA模型可有效的识别用户的行为模型特征，同时可用于识别用户的身份的固有特征（性别、身高等）。

本项目可以说明手机多传感器数据潜在的个人隐私安全问题需要着重关注，并且可以为智能健康硬件公司提供用户分析和运动识别进行决策支持。

研究内容

我们采集了哪些手机传感器：加速度传感器、磁场传感器、方向传感器、陀螺仪传感器、重力传感器、线性加速度传感器

志愿招募了31位年龄范围在18-22的同学，其中男性18位，女性13位。一共采集了268条数据。

基于动态符号化时间序列算法，通过处理手机多传感器数据，得到了均值、中值、标准差、极差、峰度、偏度、熵、变异系数、拟合多项式的RMSE等特征集。结合用户自愿提供的运动模式、固有特征，发现手机用户的运动模式、跑步特征和手机传感器数据有着复杂的相关性。

Q.E.D.