基于谷歌云的物联网系统——用户活动识别

描述

描述

介绍

该项目旨在成为以下的合乎逻辑的继续：

• 基于谷歌云的物联网系统教程。(一)
• 基于谷歌云的物联网系统 - RIOT、MQTTSN、MQTT。( 2 )
• 基于谷歌云的物联网系统 - LoRaWAN、TTN、MQTT。( 3 )

作为罗马 Sapienza 大学物联网课程的学习项目。在本节中，我们将在前面部分开发的基于云的系统之上构建。本质上，我们将使用通用传感器 API构建一个 HTML5 移动应用程序，以从手机的加速度传感器收集数据。该数据将通过一个简单的活动识别模型进行计算，该模型检测用户是静止不动还是行走，并最终发送到我们的云系统（该模型将以边缘和云方式部署）。

依赖项

在这个项目中，需要的依赖项很少，可以按照此处链接的官方指南轻松获得：

• 谷歌云物联网核心订阅
• 节点.js

执行

移动HTML5应用程序

一个非常简单的基于 HTML5 的移动应用程序，由节点服务器托管，它的工作是通过通用传感器 API 从集成加速度计中检索数据，并最终将其发送到云端。该页面将在本地计算并显示识别模型的结果。

移动应用

 

通用SensorAPI -线性加速度计

设置加速度计以达到我们想要的结果非常简单，这是通过使用 Geneirc Sensor Api，一个以一致且可访问的方式将传感器数据公开到开放 Web 平台的框架。首先，您需要定义一个线性加速度传感器，这是加速度计的一种基本形式，不包括重力加速度，在本例中，我们将频率设置为 1Hz。

accelerometer = new LinearAccelerationSensor({ referenceFrame: 'device', frequency: 1 });

然后，设置错误侦听器后，启动加速度计

accelerometer.start();
accelerometer.onreading = () => {
    //APPLY RECOGNITION MODEL TO THE INPUT DATA
    rModel(accelerometer.x, accelerometer.y, accelerometer.z)
    //PUSH DATA
}

加速度计上的输入数据将与模型一起计算，或者直接推送到云端。

用户活动识别模型

我开发了一个非常简单的活动识别模型，具有很好的准确性并且没有训练数据集（这将导致合理数量的误报）。
从 Generic Sensor Api 测量的经典加速度考虑了在 X、Y、Z 三个轴上施加到智能手机的重力。这种影响可以通过简单的数学运算轻松避免，但我们可以简单地使用线性加速度传感器，它不会不考虑重力。

智能手机上的加速度矢量

 

模型本身依赖于向量“法线”概念的功能性，实际上我们有一个包含三个元素 v(x,y,z) 的向量，我们可以通过这个数学概念来计算该向量的长度以下等式：

||v|| = sqrt(x^2 + y^2 + z^2)

该长度在经验研究的阈值上进行比较。
在我们的例子中，如果长度大于 0.7，则用户应该在移动，否则它在休息。

部署模型 - 基于Edge

如前所述，我们正在测试我们模型的两种部署。让我们看看我们如何在应用程序的前端本地部署模型。

delta = Math.sqrt(accelerometer.x * accelerometer.x + accelerometer.y * accelerometer.y + accelerometer.z * accelerometer.z);
delta > 0.7 ? (moving = true, status.innerHTML = "Walking") : (moving = false, status.innerHTML = "Resting");
console.log("send data: " + accelerometer);
socket.emit('data',
{
    x: accelerometer.x,
    y: accelerometer.y,
    z: accelerometer.z,
    status: moving
});

线性加速度传感器收集的数据在 html 上本地计算，并通过托管页面的服务器上的 publishAsync 函数发送到谷歌云（我们通过使用 soket.io 检索值，如上一教程中所示）。

const publishAsync = (
mqttTopic,
client,
data,
) => {
    console.log("Edge computing");
    // Function that push the sensor status on Google Cloud
    var status = JSON.stringify(data.status);
    var x = JSON.stringify(data.x);
    var y = JSON.stringify(data.y);
    var z = JSON.stringify(data.z);
    console.log("x: " + x + " y: " + y + " z:" + z + " ======> " + status);
    const payload = deviceId + ":" + status + ":" + "crowd_sensing";
    // Publish "payload" to the MQTT topic. qos=1 means at least once delivery. (There             is also qos=0)
    console.log('Publishing message:', payload);
    client.publish(mqttTopic, payload, { qos: 1 });
};

请注意，您需要一些个人 google 云项目数据（mqtt 主题、客户端和 deviceId），如我们的第一个教程中所述。

部署模型 - CloudBased

另一面，现在让我们将模型部署到云上。html是相同的，但现在我们不会使用本地计算的值，实际上数据（x，y，z）是：

1）推送到云端

const publishCloud = (
    mqttTopicCloud,
    clientCloud,
    data,
) => {
    // Function that push the sensor value on Google Cloud
    var x = JSON.stringify(data.x);
    var y = JSON.stringify(data.y);
    var z = JSON.stringify(data.z);
    console.log("Cloud computing");
    console.log("x: " + x + " y: " + y + " z:" + z);
    const payload = deviceIdCloud + ":" + x + ":" + y + ":" + z + ":" + "crowd_sensing";
    // Publish "payload" to the MQTT topic. qos=1 means at least once delivery. (There is also qos=0)
    console.log('Publishing message:', payload);
    clientCloud.publish(mqttTopicCloud, payload, { qos: 1 });
};

2）通过云端模型计算，然后通过soket.io推送到dashboard。

else if (device == "accelerometer") {
    //Computed at edge, receive and push the value without computing at cloud
    log[5].lastValue = value;
    log[5].values.push(value);
    socket.emit('accelerometer', log[5].lastValue);
    socket.emit('accelerometer', log[5].values);
}
else if (device == "accelerometer_cloud") {
    //Compute at cloud, if delta > 0.7 then user is moving
    var delta = Math.sqrt(x * x + y * y + z * z);
    log[6].lastValue = delta > 0.7
    socket.emit('accelerometer_cloud', log[6].lastValue);
    socket.emit('accelerometer_cloud', log[6].values);
}

如您所见，我们使用两个设备进行推送，以实现我们的双重部署研究案例的目标。

3) 保存在数据库中

// References an existing subscription
const subscription = pubSubClient.subscription(subscriptionName);
// Create an event handler to handle messages
let messageCount = 0;
const messageHandler = message => {
    console.log(`Received message ${message.id}:`);
    console.log(`\tData: ${message.data}`);
    var data = `${message.data}`.split(":");
    if (data != null) {
    var device = data[0].toString();
    var x, y, z;
    var value = data[0] != "accelerometer_cloud" ? data[1].toString() : (x = data[1], y = data[2], z = data[3]);
    
    [//Device Switch as seen in 2)]

    new Data
    ({
        device: device,
        value: value,
        data: Date.now() / 1000
    }).save();

额外- 云功能作为后台功能

通过使用云功能也可以达到同样的目标。可以在“./crowd_sensing_client/background_function”下的我的个人存储库中找到一个示例。我认为这是实现这个目标的一种很好的平衡方法，流程非常简单，本质上传递给特定主题的数据将通过定义的后台函数进行分析，然后推送到另一个主题（或您喜欢的同一个主题） ）。让我们看看它是如何工作的：

1）在google cloud IoT core上点击云函数，然后新建一个函数。

创建云函数

 

为函数插入一个名称，选择分配的内存（256MiB 就足够了），选择 Cloud Pub/Sub 作为触发方法，然后选择一个关联的主题（或者创建一个新的无论如何）。

2）编码你的功能。

完成功能的配置

 

注意在这部分中，正确设置package.json至关重要，因为 pubsub 的版本彼此非常不同（在这种情况下，我使用的是 0.21.1）。请记住更改已执行函数的名称。

3）只需将值推送到特定主题即可。

我真的很喜欢这个实现，但是使用的那个对所有其他教程来说更加线性和一致。我希望您喜欢本教程，您可以测试运行服务器 (node./app.js) 并使用部署在 heroku 上的移动应用程序的整体应用程序。