训练Android应用使用机器学习识别传感器模式
我希望我的应用程序能够检测携带手机的用户何时下落，只使用加速计数据（因为它是所有智能手机上唯一可用的传感器）。
我首先试图实现一种算法来检测自由落体（加速度计的总加速度接近于零，接着是由于地面打击引起的高加速度，以及当用户刚刚在楼下快速走动时短暂静止以消除误报），但是有一个很多方法下降，而且对于我的算法实现，我总是可以找到一个情况下，没有检测到跌倒，或者在哪里跌倒被错误地检测到。
我认为机器学习可以帮助我解决这个问题，通过学习来自不同设备的很多传感器值，不同的采样率，什么是跌倒，什么不是。
Tensorflow似乎是我所需要的，因为它似乎可以在Android上运行，但是虽然我可以找到教程来使用它进行离线图像分类（ 在这里例如 ），但我没有找到任何帮助，使模型学习模式来自运动传感器的值。
我试着学习如何使用入门页面使用Tensorflow，但未能，可能是因为我不太流利的Python，并没有机器学习的背景。 （我在Java和Kotlin上流利，并习惯于Android API）。
我正在从社区寻求帮助，帮助我使用Tensorflow（或机器学习中的其他东西）来训练我的应用程序，以识别跌倒和其他运动传感器模式。
提醒一下，Android会以随机速率报告运动传感器值，但会为每个传感器事件提供纳秒级时间戳，可用于推断自上次传感器事件以来流逝的时间，并将传感器读数作为浮点数提供对于每个轴（x，y，z）都是32位）。
如果您的数据组织得很好，那么您可以使用基于Java的Weka机器学习环境： http : //www.cs.waikato.ac.nz/ml/weka/
您可以使用Weka来处理数据上的所有不同算法。 Weka使用ARFF文件作为数据。 如果您使用JSON或CSV格式的数据，创建这个数据非常容易。 一旦你找到一个算法/模型的工作，你可以很容易地把它放到你的Android应用程序： http : //weka.wikispaces.com/Use+Weka+in+your+Java+code
你真的不需要Tensorflow，如果你不需要深入的学习算法，我不认为你需要。 如果你确实需要深入的学习算法，那么DeepLearning4J是一个基于java的Android开源解决方案： https ：//deearningarning4j.org/android
步骤1）
创建一个培训数据库。 您需要一些加速度计数据标记为“下降”和“不下降”的样本。 所以你会基本记录不同情况下的加速度并标注它们。 即给出数据量的数量级，从0.5到5秒的1000到100,000个周期。
第2步）
使用SK学习与Python。 尝试使用不同的模型来分类数据。 X是包含3个加速轴样本的向量。 Y是你的目标。 （下降/不下降）您将创建一个可以将X分类为Y的分类器。
步骤3）
让您的分类器与Android兼容。 Sklearn-porter将使用您喜欢的编码语言来移植您的代码。 https://github.com/nok/sklearn-porter
步骤4）
在你的应用中实现这个移植的分类器。 用数据提供它。