AI-Lab-Detector

一个利用机器学习算法（Naive Bayes），通过对手机传感器数据的分类，检测用户正在进行的动作的Android应用。

用到的传感器数据

• 光传感器
• 近距离传感器
• 加速度传感器
• 方向传感器（虚拟，实际是由另外的传感器数据计算得出）

动作

• 喝咖啡：在台灯下把手机当成咖啡杯拿到嘴边。
• 行走：把手机拿在右手上走路。
• 唱歌：把手机当成麦克风拿起。
• 关窗：把手机拿在右手上，右手抬起在半空向左移作关窗状。

数据来源

小组成员自己做动作收集而来。 收集所用的App见：coolspring1293/AI-Lab-Final。

关于Weka库

由于Weka有许多依赖在Android不能找到，需要一些努力（代码裁剪）才能让它可用于Android。

本项目所用的Weka库来自Institute for Pervasive Computing, Johannes Kepler Universität Linz。 详见此文档。

Weka基于GPL协议。

构建

先保证sbt已安装，然后

$ sbt android:package

这会生成一个Apk文件，位于<project root>/target/android/output/ai-lab-detector-debug.apk。

由于sbt的Android插件有一些Bug，如果出错，可以尝试：

1. 再dex一次，实际上只需：$ sbt android:package。
2. 清除缓存：$ rm -rf target。然后重新开始构建。

详见pocorall/hello-scaloid-sbt和pfn/android-sdk-plugin。

开发

如果想要修改模型，按以下步骤：

1. 收集数据。
2. 将数据组织为Weka所用的ARFF格式。格式说明详见Weka文档。
3. 在命令行中用Weka训练模型并保存到文件：$ java -cp weka-3.6.6-android.jar weka.classifiers.bayes.NaiveBayes -t data.arff -d trained.model。 如果不希望使用Naive Bayes分类器， 只需更改命令中的类名和build.sbt文件中的Proguard选项，让其在裁剪时保留所使用的分类器类以便序列化。
4. 将保存的模型（实际上是Serialized的对象）保存至src/main/res/raw/trained.model。
5. 修改src/main/scala/org/ai/predictor/Predictor.scala中Predictor类的定义，尤其是Predictor.Attributes对象。为了有趣，修改emojis成员。
6. 修改src/main/scala/org/ai/predictor/PredictorActivity.scala中有关获取传感器数据的部分。
7. 构建即可。

License

GPL V3.0.