刘鲁滨,朱燕民
(上海交通大学电子信息与电气工程学院,上海200240)
基于群智感知的噪音收集展示系统
刘鲁滨,朱燕民
(上海交通大学电子信息与电气工程学院,上海200240)
针对已有噪音地图绘制方法的人力和时间开销较大的问题,设计并实现一种基于群智感知建立的噪音地图系统。该系统包括移动端和服务器端,移动端的智能手机通过麦克风收集所在位置的噪音程度,校正后上传服务器,服务器端汇总噪音数据,恢复缺失数据并供用户查询。实验结果表明,当该系统将移动端校正的数据与标准测量仪的误差控制在3 dB以内时,能以较小的人力和时间开销建立实时细粒度的噪音地图。
参与式感知;智能手机;校正模块;数据恢复;矩阵分解
DO I:10.3969/j.issn.1000-3428.2015.10.030
凡是不需要的声音就叫作噪音,当噪音对人及其周围环境产生不良影响时就形成了噪音污染[1]。长时间暴露于噪音污染中可能会对人的身心都产生危害,例如烦躁、高血压、过度紧张、耳鸣、听力损失、睡眠障碍等[2-4]。众所周知,过度紧张和高血压是许多严重健康问题的起因[3-5]。因此,人们能够得知他们关心区域的实时噪音水平是很有意义的。
噪音地图是一种能很好展示实时噪音的途径[6-8]。噪音地图上表示出了每个地理位置的噪音等级。当前建立噪音地图的方法主要有以下2种:第1种是通过分析路况信息等得到的[6];第2种是布置大量专用的传感器节点来收集噪声再分析[7]。这2种方式都有非常严重的不足,第1种方法要得到原始的分析数据,代价很大,而且这样计算出的噪音地图更新非常慢(例如5年左右),第2种方法布置专用节点的代价太大。
随着科技的发展,智能手机成为几乎每个人生活中必不可少的一部分[9]。 报道称,到 2015年,智能手机的出货量会超过12亿[10]。每个智能手机都装备有一个高质量的麦克风,可以感知到周围声音的强度。因此,很自然想到可以用智能手机来测量噪音等级,即智能手机是一种潜在的便携式噪音计。用智能手机作噪音计有个突出的优点,即它可以在不产生任何额外代价的情况下测量噪音等级,没有任何硬件方面的开销,也不需要携带一个额外的设备。
基于群智感知[11]的思想来建立噪音地图是不错的选择。使携带智能手机的用户为系统提供数据可以大大减少任务开销。
然而,使用群智感知的方法来建立噪音地图是
一件很有挑战性的事情,挑战主要来源于以下方面:首先,智能手机在测量噪音时,有非常大的误差。因为智能手机主要是用来通话的,它的麦克风与标准的噪音测量仪之间有较大差异;其次,所考虑的地理范围是比较大的,很有可能出现数据稀疏性的问题,针对这些问题并没有现成的方法可以解决。
虽然现在已经有了利用智能手机来帮助建立噪音地图的工作[12-13],但是都存在一些不足。 比如,都没有考虑智能手机测量到的数据存在较大误差的问题。文献[12]只考虑了道路上噪音地图的建立,不够细粒度,文献[13]并没有考虑数据稀疏性和数据恢复的问题。
针对上述问题,本文设计一种基于群智感知的噪音收集展示系统,用来收集用户上传的数据并恢复缺失的数据,从而对智能手机的测量值进行校正。
2.1 智能手机建立噪音地图的情况
关于使用智能手机来建立噪音地图的工作,没有很好地解决智能手机测量存在误差的问题。文献[12]将智能手机的测量值与标准噪音仪之间读数的误差看作是一个常数,但是并没有解释是怎样得出这个结论的。文献[13]有关于怎样使用智能手机来代替标准噪音仪的描述,但是并没有给出细节,一些针对与特定智能手机的结果也没有说服力。文献[12]在建立噪音地图时,只考虑了道路附近的情况,虽然交通噪音是环境噪音一个很重要的来源,但是并不是全部,很多其他来源,比如工厂、建筑工地等是不能忽略的。文献[13]更多关注的是系统的实现层面,并没有很好地解释当数据稀疏的时候如何解决。
2.2 智能手机感知环境信息的情况
很多相关工作利用智能手机来感知环境中的一些参数,因为智能手机本身带有丰富的传感器,也可以通过外置一些设备来增强功能。文献[14]通过将智能手机与外置的污染相关的传感器相连,测量城市中的一氧化碳和臭氧的浓度等空气指标。在文献[15]中,利用智能手机中装备的传感器,例如加速度、麦克风、GPS,或者GSM天线来检测和定位交通和道路状况。
3.1 A计权噪音等级
A计权是用来将噪音转化为跟人耳相近的噪音等级,这是因为人耳对低频的声音不太敏感[16]。一段连续时间T内的A计权噪音,用LAT表示,与人耳的感觉最相近。
接下来介绍怎样计算 A计权的噪音等级。为了使用智能手机来测量噪音,首先从麦克风传感器中得到感应电压 ν(t),在经过一个 A计权数字滤波器之后,ν(t)被转化成了 A计权的感应电压νA(t)。A计权噪音等级与A计权感应电压之间的关系如下:
其中,ν0是基础感应电压,可以认为是 1;PA(T)是T时间内的平均功率。
在实际系统中,ν(t)和 νA(t)都是离散的,用 f代表采样频率,并且定义W=f T-1,可以得到:
3.2 研究目的
实验证明未校正的智能手机得到的噪音的等级与在同样环境下标准噪音仪的读数有很大差别。在实验时,将智能手机的麦克风与标准噪音的头放得很近,近似同时收集噪音。由于标准噪音仪的采样速率比较低,每秒钟只有几次,因此很难在时间上将手机麦克风的数据与标准噪音仪的对齐。为了解决该问题,让标准噪音仪提前一个小段时间开始采样,并且每次实验持续较长的时间。在实验时,用Google play上的App产生不同噪音等级的噪音,结果如图1所示。
图1 测量误差的累积分布函数值
当噪音等级在40 dB与80 dB的区间内变化时,有90%以上的测量误差都超过 10 dB,差不多有80%的误差在13 dB~20 dB之间,这远远大于标准噪音仪能够容忍的范围[17]。
CityNoise系统的总体框架如图2所示。系统主要分为两大部分,一个部分是智能手机端,负责上传噪音数据,另一个部分是云端的服务器,负责接收用户数据并处理展示。系统中还会用到云端的存储器件和数据库。
图2 CityNoise系统的总体框架
CityNoise系统的工作过程如下:智能手机通过自己的麦克风采集自己周围的噪音水平,并经过校正系统自动校正,然后将自己的位置信息、用户标识信息以及校正之后的噪音数据一起上传到云端的服务器。云端服务器有一个数据接收部件,可以接收用户上传的数据,把用户的位置信息映射到地图的格子上,最后把这部分数据上传到云存储中。数据处理器是云端的一个周期性运行的部件,它会从云存储中取出之前上传的数据,将有用户上传数据的格子填上数据,没有数据的格子恢复出数据,最后把完整的结构化的噪音信息存入云端的数据库中。网络服务器是用来处理用户请求的,它会根据用户的请求查询数据库,取出相应的数据并以噪音地图的形式返回给用户。
4.1 智能手机噪音的校正
在3.2节中已经介绍了在使用智能手机测量噪音时,与用标准噪音仪测量出的读数有很大的差异。实验证明,这种差异不仅存在于智能手机与标准噪音测量仪之间,也存在于不同品牌不同型号的智能手机之间。为此,本文系统在智能手机端设计了一个节点级的校正模块。
4.1.1 总体概览
节点级校正模块的总体结构框图如图3所示。
图3 节点级的噪音校正模块结构
节点级校正模块以原始的噪音数据作为输入,以校正后的噪音测量值作为输出,主要由2个部件组成,即节点矫正器和控制器。其中,节点校正器负责利用准备工作得出的结论,结合室内室外环境识别的方法,对斜率和偏移量进行更新。控制器维护斜率和偏移量,在接收到原始噪音数据时,利用这2个变量对噪音进行校正,并输出校正之后的噪音数据。
在节点级校正模块的辅助下,每一个智能手机都可以对自己的噪音测量数据独立地做离线的校正。这个过程中不需要人为介入。系统以线性模型来建模智能手机的测量结果与标准噪音仪之间的读数关系。在这个模型下,不同手机所对应模型的斜率是相同的。因此,只需求得每台手机的偏移量。
在手机端还包括一个小的控制器。控制负责将噪音测量值转化为校正之后的噪音。它维护一个偏移量和斜率,其中,偏移量可以被节点级的校正模块更新。
4.1.2 模型建立与验证
系统采用线性模型来描述智能手机读数与专业噪音仪读数之间的关系,分别用S和S′来表示:
S′=α+βS+ε
其中,α和β是待定的系数;ε是误差。系统采用最小二乘法[18]来确定参数 α和 β。
为了验证模型的可用性,将模型应用到不同的手机型号上,结果如表1所示。
表1 线性拟合质量参数的平均值
可以发现,不同手机型号的决定系数R2都接近于1,斜率β是固定的。后面把斜率β看作一个已知的常数。另一个系数的确定需要借助于统一的安静室内环境下的噪音等级。经过大量实验发现这个噪音值大约是36.5。
需要注意的是,这个值只适用于室内环境,因此,本文系统提出了一种方法来区分智能手机处于哪种环境。
4.1.3 室内室外环境的检测
统一安静噪音值是针对室内环境的,因此,智能手机在进行校准之前,需要先探测出他所处的环境是室内还是室外。关于检测智能手机的上下文有很多相关工作[19],但是这些工作并没有直接给出确定手机是处于室内还是室外的方法。
可以根据智能手机能否收到GPS信号来确定他是处于室内还是室外环境。为了提高判断的准确性,本文系统采用另一个更加细粒度的指标来做判断,即手机能够扫描到的GPS卫星的数目。图4展示了实验的统计结果。在本文实验中,在不同的室内环境下,扫描到GPS卫星个数少于6颗的情况占
了80%,而到了室外环境,扫描到的GPS卫星数目多于6颗的情况占了90%。
图4 卫星个数累积分布函数值
系统把分类的阈值设定为6,那么对于室内和室外环境来说,它们的误差率分别是20%和10%。可以注意到,那些能搜到更多卫星数目的室内环境,大多是在门口和窗边,这些位置的噪音等级比较大,一般不会用来做校准,所以,一个看上去比较大的误差率并不会带来很差的结果。
4.2 数据恢复
由于所关注的地理范围比较广,很有可能产生数据稀疏性的问题,因此系统引入了矩阵分解的方法,下面详细介绍设计。
4.2.1 矩阵的建立
本文系统将所关注区域的噪音建模成一个矩阵,矩阵的一维代表格子的编号,另一维是时间。格子对应到地图上的一个正方形的小区域,划分格子可以使问题更好建模,将一段时间切割成不同的时槽,排列在时间维度。矩阵中的一个元素 aij代表第i个格子在时槽j的噪音值。当一个格子在特定时槽收到的数据少于某个阈值时,认为这个格子在特定时槽是没有数据的。为了便于恢复数据,矩阵中的元素都被格式化成了[0,1]之间的数值。
4.2.2 数据恢复的思想
本文系统所建模出的矩阵是有稀疏性的,主要因为下面2个原因:(1)在空间上,很多格子用户上传的数据量很少,这可能是因为这些格子人口密度很低,比如大片树木覆盖的区域,也有可能是用户在这个格子内停留的时间很短,比如高速公路。(2)在时间上,出于对自己智能手机电量的考虑,一个特定的用户不会为系统上传太久的数据。以上两点原因造成了矩阵在很多格子很多时槽是没有数据的,需要把这部分数据填充上去。
近几年,有很多有关数据恢复的工作,系统采用的是一种称为矩阵分解的方法。由于时空相关性,一个大矩阵中的信息可以由2个小的矩阵代替,寻找2个分解后误差最小的小矩阵,相乘就可以还原出原来矩阵的样子。
4.2.3 矩阵的分解
假设完整的矩阵是A,观测到的矩阵是A′,矩阵分解的目标是将观测矩阵 A′分解成2个矩阵R∈Rr×d和M∈Rm×d,使得矩阵F:=RMT来近似A。用来控制分解误差的目标函数定义成如下的形式:
可以使用启发式的算法,一开始为R和M附随机的数值,然后不断迭代求解,直到误差小于某个设定好的阈值。
为了验证本文系统对手机校正的效果,做了一组真实的实验来评估。
使用2种不同品牌的手机来评估节点级的校正。实验的环境在实验室。在校正之后,这2个手机与标准噪音仪一起同时测量环境中的噪音。为了在一段时间内获得变化剧烈的噪音,使用 White Noise来产生背景噪音。
从图5可以看出,在校正之后,2个手机的读数都与标准噪音仪的读数十分接近,有95%的误差是少于3 dB的。另外,校正时使用本文实验得出的斜率值效果比直接使用斜率值1要好。
图5 节点级校正的实验结果
图6展示的是使用本文系统所建立的上海交大闵行校区范围内的噪音地图。其中,方格颜色的深浅代表了噪音程度的高低。从图中可以看出,有交通主干道通过的格子(区域1),噪音等级普遍较高,学校的实验室所在区域(区域2),因为建筑稀疏,人流量不太,所以比较安静。
图6 上海交大闵行校区的噪音地图
本文基于群智感知的思想,设计CityNoise系统。通过该系统收集智能手机上传的数据,统一处理后再展示给用户。能够自动帮助智能手机校正测量噪音时的误差,也可以在数据稀疏时使用矩阵分解的方法恢复数据。在数据校正时完全不需要人为干预,通过数据恢复的机制,可以保证噪音地图的实时和细粒度。实验结果表明,校正之后手机噪音的测量值与标准噪音仪的度数之间误差小于3 dB。下一步的工作重点是解决系统运行初期用户量少、数据少的问题,以及如何保证用户量很大情况下的系统正常运行。
[1] Stansfeld S A,Matheson M P.Noise Pollution:Nonauditory Effects on Health[J].British Medical Bulletin,2003,68(1):243-257.
[2] Sommerhoff J,Recuero M,Suárez E.Comm unity Noise Survey of the City of Valdivia,Chile[J].Applied Acoustics,2004,65(7):643-656.
[3] Kryter K D.The Effects of Noise on Man[J].Effects of Noise on Man,1970,1(6):1-95.
[4] 蒋 红,李曙光,刘华晔,等.综合性医院噪音调查与分析[J].中国护理管理,2008,8(3):37-39.
[5] Fields JM.Effect of Personal and Situational Variables on Noise Annoyance in Residential Areas[J].Journal of the Acoustical Society of America,1993,93(5):2753-2763.
[6] DEFRA.Noise Mapping England[EB/OL].(2010-11-21). http://www.noisemapping.org/.
[7] Santini S,Ostermaier B,Vitaletti A.First Experiences Using Wireless Sensor Networks for Noise Pollution Monitoring[C]//Proceedings of Workshop on Realworld Wireless Sensor Networks.New York,USA:ACM Press,2008:61-65.
[8] 徐 超.英国推出噪音地图或助缓解噪音污染[J].中国测绘,2008,(3):60-61.
[9] 江志强.2013年中国社交媒体8大趋势预测[J].通讯世界,2013,(1):35.
[10] Tsan W N.The Industrial Specialization and Economic Contribution of the Smartphone Supply Chain:The Case of Apple and HTC[J].International Journal of Automation and Smart Technology,2012,2(3):177-188.
[11] Reddy S,Estrin D,Srivastava M.Recruitment Framework for Participatory Sensing Data Collections[C]//Proceedings of the 8th International Conference on Pervasive Computing.Berlin,Germany:Springer-Verlag,2010:138-155.
[12] Rana R K,Chou C T,Kanhere S S,et al.Ear-phone:An End-to-end Participatory Urban Noise Mapping System[C]//Proceedings of the 9th ACM/IEEE International Conference on Information Processing in Sensor Networks.New York,USA:ACM Press,2010:105-116.
[13] Maisonneuve N,Stevens M,Niessen M E,et al.NoiseTube:Measuring and Mapping Noise Pollution with Mobile Phones[C]//Proceedings of the 4th International ICSC Symposium.Berlin,Germany:Springer,2009:215-228.
[14] Carrapetta J,Youdale N,Chow A,et al.Haze W atch Project[EB/OL].(2011-08-21).http://www.pollution. ee.unsw.edu.au.
[15] Mohan P,Padmanabhan V N,Ramjee R.Nericell:Rich Monitoring of Road and Traffic Conditions Using Mobile Smartphones[C]//Proceedings of the 6th ACM Conference on Embedded Network Sensor Systems.New York,USA:ACM Press,2008:323-336.
[16] Hileman A R.Insulation Coordination for Power Systems[EB/OL].(2012-09-12).https://books.google.com/ books/about/Insulation-Coordination-for-Power-System. htm l?id=VRw4FY52WJsC&hl=zh-CN.
[17] Foster JR,Hall D A,Summerfield A Q,et al.Soundlevel Measurements and Calculations of Safe Noise Dosage During EPI at 3T[J].Journal of Magnetic Resonance Imaging,2000,12(1):157-163.
[18] Sorenson H W.Least-squares Estimation:From Gauss to Kalman[J].IEEE Spectrum,1970,7(7):63-68.
[19] Miluzzo E,Papandrea M,Lane N D,et al.Pocket,Bag,Hand,etc.——Automatically Detecting Phone Context Through Discovery[C]//Proceedings of ACM Workshop on Sensing Applications on Mobile Phones.New York,USA:ACM Press,2010:21-25.
编辑 刘 冰
Noise Collection and Presentation System Based on Crowd Sensing
LIU Lubin,ZHU Yanmin
(School of Electronic Information and Electrical Engineering,Shanghai Jiaotong University,Shanghai200240,China)
Building noise maps is always accompanied with a lot of human efforts and time costs.This paper designs and implements a system based on participatory sensing.The mobile part and the server part are two key components in this system.Smart phones in mobile part measure the noise level around them.Noise data is uploaded to the server part after calibration.The server part collects these data,recovers the loosed data and builds the noise map.Users can query the noise map according to their demands.Experimental results show that the error of the calibration is less than 3 dB and this system builds the real-time and fine-grand noise map with low overhand.
participatory sensing;smart phone;calibration module;data recovery;matrix decomposition
刘鲁滨,朱燕民.基于群智感知的噪音收集展示系统[J].计算机工程,2015,41(10):160-164.
英文引用格式:Liu Lubin,Zhu Yanmin.Noise Collection and Presentation System Based on Crow d Sensing[J].Computer Engineering,2015,41(10):160-164.
1000-3428(2015)10-0160-05
A
TP391
刘鲁滨(1990-),男,硕士,主研方向:群智感知,人工智能;朱燕民,副教授。
2014-09-25
2014-11-10E-m ail:sjtu-eric@sjtu.edu.cn