文| 史与春秋

编辑 |史与春秋

●○前言○●

智能可穿戴设备和传感器网络等普适计算的进步为健康监测和以人为本的环境感知系统提供了机会，具有感官功能的移动设备通常用于识别用户并提供适当的帮助和服务。

情境涉及以人为中心的活动的众多领域，如卫生保健监测、活动识别、社交网络、位置和情绪识别。

许多可能，来自不同背景的国家是相互脱节的，例如，在文活动中，用户可以走路、坐着或跑步，另一方面，在情绪的背景下，状态可以是快乐的、悲伤的或愤怒的。

●○传感器的分类○●

通常通过处理从智能手机传感器（加速度计、陀螺仪、GPS等）、可穿戴传感器（心电图（ECG）、心率传感器或体温传感器）或可穿戴设备（智能手表和耳机）收集的数据来识别。

感知应用的一个关键问题是传感器功耗和增加计算工作量的算法，对电池能量的巨大需求，为了最大限度地减少上下文识别的延迟。

传感器需要连续运行，这反过来会导致更大的能耗，间歇性地使用传感器会更节能，在状态保持不变时关闭它们，然后在预期遇到新状态时重新打开。

不幸的是，状态变化的时间无法事先完美预测，因为对状态变化的预测不是确定性的，在预期移动计算领域仍然是一个挑战。

因此，传感器操作问题可以表述为一个优化问题，它试图在检测变化的最小延迟和能耗之间取得平衡，同时考虑到新变化的预期时间。

随着识别应用的激增，当多个运行时，传感器的选择之间有机会产生协同作用，在这种情况下，传感器的选择应同时将所有环境的能耗降至最低，而不仅仅是单独针对每个环境。

已经有积极的研究来设计用于识别的有效感知机制，有些方法适用于单个传感器或单个环境，同时侧重于传感器选择和传感器调度。

其他方法考虑了多组传感器和多个的能量，精度和延迟的权衡，所提出的分层方法首先选择传感器组，然后确定单个传感时间表，它们的主要局限性是缺乏对跨环境潜在协同作用的考虑，这导致对传感器选择和调度的影响。

之前关于用于识别的高效传感器操作的相关工作可以分为仅考虑传感器选择、传感器调度或两者兼而有之的工作。

●○传感器选择○●

Taleb等人提出了一种使用启发式算法的算法，该算法包括选择传感器，该传感器使精度除以能耗之比最大化，并根据传感器可用性和电池电量进行约束，Gao等人出了一个框架，该框架通过基于状态选择初始传感器的子集并依靠专业知识来选择一组传感器来降低能耗。

凸优化用于最小化传输能量和概率，错误识别之间的权衡，Kang等人提出的一个框架，称为SeeMon，通过贪婪地选择最具成本效益的传感器来选择最小集合覆盖问题的变化。

从而选择一组名为基本传感器集（ESS）的传感器，这些传感器能够迭代识别，同时权衡计算复杂性和数据传输速率方面的节能，ESS会根据可用的电池电量持续或定期更新。

Zappi等人的动态传感器选择，一旦传感器节点（智能手机、智能手表等）的能量耗尽，就会调整传感器集，从而在功耗和识别精度之间进行权衡。

该方法要么选择在枚举所有可能性后提供最高准确度的传感器簇，要么选择在枚举期间，首先满足准确度阈值的传感器簇。

Gordon等人的另一种方法是使用一阶马尔可夫链根据用户预测的未来活动状态来选择传感器，该方法根据与其他传感器相比的准确性损失来评估每个活动到传感器的加权映射。

加权图是使用最近邻分类器为每个状态的所有训练向量生成的，并模拟不同的特征组合，其中每个特征组合链接到传感器组，然后查看对不同组合精度的不同影响。

●○传感器调度○●

一些方法旨在降低能耗，不是通过调度传感器操作，而是通过调度数据通信来减少能耗和延迟，例如，这种方法使用智能更新策略，其中一旦传感器读数发生变化或预测会发生变化，传感器数据就会持续收集并传送到中央系统。

然而，传感器的连续运行会迅速耗尽移动设备的电池供应，因此，挑战在于得出一个计划，以最大限度地减少能耗，同时避免检测上下文状态更改的延迟。

Taleb等人提出了一种动态方法，通过最大化累积奖励函数来生成传感时间表，该函数考虑了单个传感器的能耗和延迟。

Rachuri等人提出了一种自适应传感器触发方法，该方法使用反馈机制，通过基于上下文状态的当前分类的乘法函数来减少或增加传感器不活动时间，状态使用高斯混合模型分类器线性奖励-不作为算法分类为可错过或不可错过。

可错过事件对应于状态的无变化或不感兴趣的状态变化导致周期传感器不活动增加，而不可错过的事件对应于感兴趣的状态变化导致周期减少。

Yurur等人提出了一个框架，用于使用广义期望最大化算法识别活动，以实现能耗和准确性之间的权衡，当用户状态转移矩阵的熵率收敛于稳定值时，隐马尔可夫模型的状态转移概率更新，即传感器触发。

●○传感器选择和调度○●

一些研究工作旨在将这两种技术结合在一个框架中，但是，它们都遵循等级结构，Wang等人提出了一种称为节能移动传感系统（EEMSS）的分层传感器管理系统，该系统首先选择传感器，然后安排传感，同时最大限度地减少精度，延迟和能耗之间的权衡。

该框架由传感器管理方案组成，该方案通过根据当前识别的状态决定激活哪些传感器，手动将用户的状态与特定传感器联系起来。

当检测到状态转换时，序列中的下一组传感器将被激活，此外，通过实证测试手动生成传感计划，以解决能量、精度和延迟权衡问题，这种方法不允许适应性和找到帕累托最优权衡。

Lee等人提出了一个名为Orchestrator的框架，它是一个资源协调系统，可以满足多个应用程序和系统范围策略的资源需求。

并满足设备的资源可用性，处理计划员生成多个由开发人员预定义的计划，这些计划指定了具有上下文识别相关精度的传感器组合。

最近，Mehdi等人提出了两种降低能耗的方法，第一种是仅在监测看门狗传感器检测到患者病情的突然变化时才打开传感器，第二种是使用卡方检验和拉格朗日插值的采样率适应方法，同时保持准确的上下文识别。

此外，作者在中扩展了中引入的多目标优化问题，该问题在精度和能耗之间进行权衡，通过添加约束来结合NSGA-II和约束处理技术来解决它。

引入的约束是为了确保重要状态的准确性不会明显偏离最大值，将每个状态的精度保持在彼此的一定范围内，如果精度低于阈值，则增加传感器操作，并使用尽可能少的传感器。

Taleb等人也考虑了传感器选择和调度的决策，该方法依赖于包含传感器和机器学习参数等规范的本体，该方法过滤掉不符合手动设置的精度和能量预算限制的传感器组组合，选择每个触发器能耗最低的组。

该框架使用维特比算法来生成所选传感器的传感时间表，基于用户状态行为模型的感知计划预测用户何时可能更改状态，该算法的最后一步是同步不同上下文识别请求中通用的多个传感器的时间表。

这种方法的局限性在于，它没有考虑所选传感器组的操作将如何影响能耗和状态变化检测的延迟，我们的工作提出了一种整体方法，该方法考虑了同时识别多个能量和延迟。

●○问题描述和表述○●

整体优化方法解决的问题是与多识别应用中的传感器使用相关的状态更改检测能耗过高和延迟。

因此，需要选择传感器来执行请求的多识别，同时安排传感器的操作，以减少能量和延迟，系统的输入和输出。

作为输入，该方法假定称为识别知识库（CRMKB）的知识库的可用性，其中包含有关识别模型、它们可以使用的传感器以及可以与传感器规范一起实现的准确性的信息。

另一个输入是由正在运行的多识别模型检测到的用户的当前状态，最后一个是行为模型，它表示用户在每个的可识别状态下的行为。

即用户在更改为另一种状态之前可能保持状态的时间，系统的输出是选择的传感器，用于识别每个请求的每个传感器的传感时间表。

多个通用的传感器对于使用它们的不同识别模型具有多个相应的计划，公共传感器的多个传感计划被合并，如中的联合符号，通过同步过程来利用协同效应。

●○识别模型的知识库○●

我们的解决方案利用了存储在识别模型知识库（CRMKB）中的识别领域的丰富知识，CRMKB可以是数据库的形式。

如我们的方法使用，也可以是本体的形式，在这项研究中，除了制造商提供的传感器规格手册外，数据库中使用的信息还来自同行评审论文中发表的既定上下文识别应用程序。

我们的解决方案利用用户过去的行为来获得针对特定用户在特定状态下的习惯和行为定制的传感时间表，以前的一种方法通过假设每个状态的单一行为模式来建模用户行为。

该模式由处于这些状态的用户的单个派生时间限制表示，时间限制是用户最有可能更改其状态的时间点，因此使用时间限制建模的行为模式基于用户切换上下文状态的时间。

●○拟议制度概述○●

在这里，我们介绍上一节中描述的问题的解决方案，识别系统需要实时使用优化问题的解决方案来决定传感器组以及何时触发它们以消耗最少的能量并实现多识别的最小延迟。

为了实现实时性能，我们建议预先计算传感器组和状态的不同可能组合的优化传感计划和识别延迟，并在这些选择中在线做出决策，因此，该方法分为两个阶段，即在线阶段和离线阶段。

●○结论○●

本文介绍了一种整体优化方法，以最大限度地减少同时检测多个状态时的能耗和延迟，该问题被表述为一个优化问题，以同时决定传感器及其传感时间表。

这些贡献包括一个新的用户行为模型，该模型基于捕获用户在每个状态中的频繁模式，以及捕获归一化能量的维特比瞬时奖励函数，允许跨传感器组进行比较，以及影响延迟时识别的准确性。