Votre mission: Reconnaître l'activité du porteur d'un Accéléromètre.
Cette page fait suite à Detecting Heavy Drinking qui n'avait pas abouti.
sudo pip3 install numpy matplotlib scipy tensorflow
Sur xubuntu 20.04, pb avec cublas (qui n'est pas là où il faudrait, erreur nvidia), dans le dossier du projet:
export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} python3 main_keras_clean_smooth.py
Une carte graphique n'est pas nécessaire, au contraire une carte augmente de beaucoup le temps de epochs de keras.
Il faut installer au moins: numpy, matplotlib, scipy, tensorflow
Ce projet a été développé sur Debian 10 Buster Mate, et testé aussi sur Xubuntu 18.04 avec Cuda.
Une seule personne a fait 15 fois le même parcours avec les mêmes activités, en portant toujours le même accéléromètre.
Par exemle, les paquets de 900 array de 3 soit:
[[1012 2047 3089] [1082 2077 3012] [1096 2055 3078] ... 900 fois ...]
sont créés en décalant la 1ère valeur de “gliss” tous les paquets, gliss peut varier de 20 à la taille du paquet. Avec gliss, le fichier de datas obtenu peut être très gros (quelques Giga Octects) et provoque un dépassement de mémoire dans Keras. Un bon compromis est entre 50 et 100. On transforme en fait des datas de 5 Mo en des datas de 50 Mo à quelques centaines de Mo.
Les labels de sortie sont un array de shape=(32100, ) soit
[ 0
5
4
1
2
4
6
…] avec 32100 valeurs.
Il faut ABSOLUMENT les transformer en vecteurs “one-hot”
[ 1 0 0 0 0 0 0]
[ 0 0 0 1 0 0 0]
[ 0 0 0 0 1 0 0]
[ 0 0 0 0 0 0 0]
[ 0 0 1 0 0 0 0]
[ 0 1 0 0 0 0 0]
[ 0 0 0 0 0 0 1]
… jusqu'au 32100 ème
Le one-hot-encoding est obtenu avec
train_label = utils.to_categorical(data["train_label"], 7)
Inspiré de www.tensorflow.org tutorials keras classification build_the_model et
# Choix du model self.model = Sequential() # Input layer self.model.add(layers.Dense(units=4, input_shape=(self.PAQUET, 3))) self.model.add(layers.Flatten()) # Hidden layer self.model.add(layers.Dense(64, activation='relu')) # Output self.model.add(layers.Dense(7, activation='softmax'))
self.model.compile( loss=self.loss, optimizer=self.optimizer, metrics=self.metrics) "loss": 'categorical_crossentropy', # 'binary_crossentropy' ne va pas "optimizer": 'adam', # 'SGD' ne change que peu "metrics": 'accuracy'}
Les courbes d'une activité à l'autre sont ressemblantes, l'apprentissage ne peut pas pallier à ce fait.
Pour Roulez Bourrez: création d'une application Android avec Kivy pour capter une marche de 10 secondes et en déduire l'alcoolémie.
Des testeurs cobayes seront chargés de picoler, enregister les verres bus et capturer leur marche !
C'est le fameux projet: Roulez Bourrez
La personne utilise son téléphone normalement, et ne change rien à ces habitudes. Pour créer les datas d'apprentissage, enregistrement en permanence de ACC (en optimisant au max), + un gadget en dehors du téléphone qui permet d'enregistrer le type d'activité.