Applications basées sur les capteurs des smartphones

Applications basées sur les capteurs des smartphones

Prenant avantage des possibilités offertes par les smartphones, les systèmes basés sur les capteurs des smartphones constituent un domaine d’intérêt émergent pour les chercheurs. Ces systèmes ont été étudiés et largement appliqués dans de nombreux domaines. Cette section présente quelques domaines typiques ainsi que quelques exemples de recherches correspondantes.

Surveillance de l’environnement

La surveillance de l’environnement est l’un des domaines d’application les plus courants utilisant un système de capteurs basé sur smartphones.

Surveillance du bruit et de l’ambiance
Le microphone des smartphones peut être utilisé pour mesurer le niveau de bruit et donner un aperçu de la nature des événements contextuels. Dans les systèmes NoiseTube [40], Ear-Phone [56] et SoundOfTheCity [58], les niveaux de bruit sont utilisés pour surveiller la pollution par le bruit. Les données audio sont combinées aux données GPS pour créer une carte de la pollution sonore en temps réel.

Surveillance des conditions de route et de circulation
De nombreuses recherches utilisent les microphones, les caméras ou les accéléromètres avec capteur GPS pour surveiller la qualité de la route, les feux de circulation ou les conditions de circulation. Dans Nericell [44], l’accéléromètre, le microphone et le capteur GPS sont utilisés pour détecter et localiser les conditions de circulation et les conditions de la route, comme par exemple les nids-de-poule, les bosses ou les coups de frein. L’application intègre les informations fournies sur la rugosité de la surface des routes, le bruit environnant et les conditions de circulation dans des cartes de circulation accessibles au public.

Le système Vtrack [66] utilise le GPS des smartphones pour suivre et estimer les retards de circulation sur les routes. Alors que dans SignalGuru [34], la vidéo de la caméra est collectée pour identifier et analyser le temps d’attente aux feux de circulation. À partir de là, les horaires des feux de circulation peuvent être prédits avec précision. Le système CrowdITS [1] est un système de transport intelligent pour aider les autorités responsables des transports et les conducteurs de véhicules à prendre des décisions informatives et fournir une expérience de conduite sécuritaire et de loisirs. Le CrowdITS utilise des capteurs GPS en conjonction avec la saisie manuelle d’événements tels que les congestions, les constructions, les fermetures, les pannes, les collisions, et les incidents. Le système WreckWatch [71], et le système de Chris Thompson et al. [67], utilisent l’accéléromètre et le capteur GPS des smartphones pour détecter les accidents de voiture et autres incidents afin de réduire la congestion globale du trafic et augmenter l’efficacité des interventions d’urgence.

Soins et santé

Concernant la surveillance de la santé personnelle, les téléphones mobiles sont utilisés pour surveiller l’état physiologique et la santé des patients ou des participants à l’aide de capteurs. Par exemple, le système DietSense [57] assiste les participants qui souhaitent perdre du poids en documentant leurs choix alimentaires au moyen d’images et d’échantillons sonores. Les professionnels de la santé qui effectuent des analyses sur l’état des patients peuvent parcourir et annoter rapidement les données des participants. Le système StressSense [38] permet de reconnaître le stress de la voix humaine à l’aide d’un smartphone. Dans E-FallD [7], et dans le système de détection de chute de Yi He et al. [28], l’accéléromètre du smartphone est principalement utilisé pour détecter les chutes des utilisateurs (des patients ou des personnes âgées).

Un certain nombre de recherches utilisent l’accéléromètre des smartphones pour détecter le symptôme freezing of gait (mouvements pas à pas) qui est un déficit de la marche courant dans la maladie de Parkinson avancée [8, 50].

Environnement social

Les systèmes basés sur les capteurs des smartphones s’appliquent aussi à plusieurs facteurs liées à l’environnement social, comme par exemple certaines recherches sur l’utilisation des capteurs de smartphones pour enrichir le contenu partagé sur les médias sociaux, tels que les blogs et les réseaux sociaux [42, 43]. Sur la base des informations multimodales (accélération, audio, images, localisation) capturées par le téléphone mobile, les informations de contexte sont déduites sous diverses dimensions, notamment l’humeur de l’utilisateur, sa localisation et ses habitudes, ainsi que des informations sur l’activité en cours et l’environnement. Le système PEIR (Personal Environmental Impact Report) permet aux utilisateurs d’utiliser leur téléphone portable pour déterminer leur exposition aux polluants environnementaux [43]. Un module de détection installé sur le téléphone détermine l’emplacement actuel de l’utilisateur, ainsi que des informations sur le mode de transport utilisé et transfère ces informations à un serveur central. En retour, le serveur fournit aux utilisateurs des informations sur l’impact environnemental de leurs déplacements. LineKing est un système permettant de surveiller et de prévoir les temps d’attente des lignes de café [6]. LineKing se compose d’un composant placé sur le smartphone et qui fournit une détection automatique et précise du temps d’attente. Les résultats de nombreux smartphones sont stockés dans le cloud pour fournir aux participants une estimation précise du temps d’attente.

Modèles SCS pour la détection des nids de poule

Il existe actuellement un certain nombre de modèles de système différents pour SCS. Nous avons choisi d’analyser les architectures de système SCS décrivant les composants du système et les mécanismes de fonctionnement. Nous nous concentrons principalement sur les modèles de systèmes SCS pour la détection des anomalies environnementales. La plupart de ces systèmes s’appliquent à la détection des anomalies routières.

Jakob Eriksson et al. ont proposé le système Pothole Patrol (P2 ) [21] pour détecter les nids de poule. Le système est construit sur un modèle centralisé (voir la Fig. 2.1). Selon ce modèle, les quatre premiers paramètres proviennent du GPS et le vecteur d’accélération de l’accéléromètre à trois axes. Ces deux flux de données sont combinés par la composante Location Interpolator qui effectue une interpolation des données GPS. La composante Pothole Detector filtre le flux de données combiné pour détecter les nids-de-poule. Lorsque la connectivité réseau est disponible, les anomalies détectées sont téléchargées automatiquement sur un serveur central, qui conserve une base de données des nids de poule. La composante Clustering du serveur effectue un partitionnement sur les anomalies détectées et applique une taille de cluster minimale, produisant ainsi le résultat final du système : une série de nids de poule de confiance et de sévérité variables.

Girts Strazdins et al. ont proposé un réseau de capteurs à base de smartphones Android pour la surveillance de surfaces routières [63]. Les auteurs ont mis au point un modèle permettant de collecter des données à partir de capteurs sur les smartphones et de les envoyer au centre afin de détecter les nids-de-poule .

La liste des capteurs utilisés inclut le GPS pour déterminer la position actuelle et l’accéléromètre pour détecter les nids de poule. Une fois que les données du capteur sont reçues, elles sont traitées et stockées dans la base de données synchronisée périodiquement avec la base de données du serveur principal afin que les deux aient une information à jour. Une interface utilisateur permet de démarrer/arrêter le processus d’échantillonnage et de voir les informations de débogage. Les résultats de la détection sont sauvegardés dans la base de données des nids-de-poule. Cette architecture permet aux auteurs de tester des algorithmes de détection de nids-de-poule. Les auteurs envisagent à l’avenir d’utiliser un programme de détection des nids-de-poule qui fonctionnerait comme un service en arrière-plan.

Zhaojian Li et al. ont utilisé une architecture Véhicule-à-Cloud-à-Véhicule comme dans la Fig. 2.3 [63]. Une fois les anomalies détectées, leurs positions, obtenues par exemple à partir des coordonnées GPS (Global Positioning System), sont envoyées au nuage, où un module de mise en cluster est implémenté pour traiter les rapports d’anomalies bruts. Les clusters avec un score de crédibilité élevé sont stockés dans une base de données cloud où leurs positions peuvent ensuite être diffusées à d’autres véhicules et agences routières. Les clusters avec un score de crédibilité faible sont stockés dans une mémoire tampon et ne sont pas partagés. Raghu K. Ganti et al. ont présenté l’architecture typique du système Mobile Crowdsensing (MCS) [23] dont le schéma est présenté en Fig. 2.4. C’est le modèle général pour les systèmes de capteurs à base de samrtphopnes. Par conséquent, les fonctions ne sont pas définies spécifiquement. La fonction principale sur les smartphones est Localized Analytics. Certains capteurs tels que GPS, accéléromètre, microphone et caméra sont disponibles sur les appareils mobiles. Le système d’exploitation (OS) permet aux applications d’accéder aux capteurs et d’en extraire des données de détection brutes. Toutefois, selon la nature des données brutes et les besoins des applications, les lectures physiques effectuées par les capteurs peuvent ne pas être adaptées à la consommation directe des applications. Parfois, certaines analyses locales effectuant certains traitements primitifs des données brutes sur le périphérique sont nécessaires. Ils produisent des résultats intermédiaires, qui sont envoyés au Back-end server pour traitement et consommation ultérieur. Par exemple, dans une application de détection de nids-de-poule, une analyse locale détermine les nids-de-poule potentiels à partir des données du capteur d’accélération sur trois axes.

Table des matières

1 Introduction
1.1 Contexte
1.2 Contribution de la thèse
1.3 Organisation du document
1.4 Publications liées à la thèse
2 État de l’art
2.1 Applications basées sur les capteurs des smartphones
2.1.1 Surveillance de l’environnement
2.1.2 Soins et santé
2.1.3 Environnement social
2.2 Modèles SCS pour la détection des nids de poule
2.3 La détection des anomalies routière utilisant le smartphone
2.3.1 Les méthodes basés sur un seuil
2.3.2 Les méthodes basées sur la classification
2.3.3 Comparaison des méthodes de détection des anomalies
2.4 Conclusion
3 Architecture du SCS pour la détection d’anomalies
3.1 Introduction
3.2 Architecture du système
3.3 Les traitements sur smartphone
3.4 Organiser et échanger des données d’anomalie
3.4.1 Base de données et structure de donnée d’échange
3.4.2 Structure du format de données BSSDF
3.5 Agrégation et exploration de données
3.6 Notre système plate-forme expérimentale
3.7 Conclusion
4 Amélioration des méthodes de détection des anomalies
4.1 Introduction
4.2 Améliorations de la détection des anomalies
4.2.1 Nécessité d’améliorer la détection
4.2.2 Le test de Grubbs
4.2.3 Application du test de Grubbs pour la détection
4.2.4 Adaptation à l’orientation aléatoire
4.2.5 Exclusion des actions de l’utilisateur
4.2.6 Expériences et résultats
4.3 Conclusion
5 Agrégation de données des anomalies dans le SCS
5.1 Introduction
5.2 Définition de problème
5.3 Partitionnement simple de données des anomalies
5.4 L’algorithmes d’agrégation des données
5.4.1 Mean shift à bande passante variable
5.4.2 Identification des anomalies par un algorithm basé sur mean shift
5.4.3 Simulation et résultats
5.5 Conclusion
6 Conclusion et perspectives
6.1 Conclusion
6.2 Perspectives
Bibliographie

Télécharger le rapport complet