感知智能手機上用戶的關注狀態

在設備、應用程序和web服務日益增多的泛在計算時代，用戶的關注成為計算的新瓶頸。

本文提出了一種新型中間件Attelia，該中間件無需任何專用的心理-生理傳感器，可實時感知用戶智能手機上的用戶注意力狀態。

為了更好的找到從各種應用程序和服務到移動用戶的中斷通知的傳遞發送時間，Attelia檢測用戶在智能手機上的活動的斷點[16]，使用我們的新穎的“應用程序作為傳感器”(AsaS)方法和機器學習技術。

在無處不在的計算時代，用戶的“注意力”保持不變，而提供的信息量卻在不斷增加。比如：

多功能網絡設備的數量，用戶使用的應用程序、web服務和通信渠道的數量也在增加。

在這樣的背景下，有限的人類關注資源成為了計算的新瓶頸。

從人類用戶的角度來看，這些提供的過量信息通常被稱為廣義上的“信息過載”。

特別是在這項研究中，我們將重點關注中斷過載，由於來自計算系統的通知過多和不適當的傳遞而導致的中斷對用戶的幹擾。

中斷過載：

     造成的主要原因是來自計算系統的“通知”。

    典型的即時通知系統會對用戶的工作效率甚至情緒產生各種負面影響。

 在最近的通知中也觀察到幾個顯著的特征。

     •增加通知類型和來源的多樣性

這類通知的自適應處理支持，包括根據用戶當前的關注狀態和要通知的信息動態調整通知時間、媒體或內容，顯然需要緩解用戶的中斷過載。

對這種支持的不同要求如下。

•移動設備的可行性

•實時傳感

•適用於不同類型的通知源

•全天候使用的親和性   就是一天都在玩手機 然後這個功能也不卡

為了實現這種自適應的通知支持，我們提出了一個新的中間件，感知用戶在用戶智能手機上的注意力狀態。

 A檢測斷點：  心理學領域最早的概念，作為 感知適當中斷時間的時間目標.

                      斷點是兩個相鄰動作之間的邊界，  人的感知系統在用戶目標導向的活動中對其進行分割。

我們使用的一種方法來感知粗粒度且易測量的指標，  就用人現在的設備， 來判斷合適的通知時間。

具體方法： A引入一種新的AsaS方法，   用戶的應用（app）使用模式將扮演  傳感器和機器學習技術。

app作為傳感器 ， 運行在手機， 實現與移動設備的親和力。

通過機器學習技術，Attelia實現感知能力。 在應用程序下作為中間件， 從當前操作的應用程序中輸入UI事件，實現對不同應用程序的適用性和易部署。對app不修改。不需專門傳感器，so全天用OK。

 Attelia的系統架構  ：整個系統是什麼樣子的 如上圖1  包含什麼如下

UIEventLogger,UI事件記錄器

BreakPointLogger, 斷點記錄器

FeatureExtractor,特征提取器

 Weka[15] machine learning engine, Weka[15]機器學習引擎，

 GroundTruthAnnotator application, 人工標注的小數據集標注器  應用程序

off-line components for model training.模型訓練的離線組件

GroundTruthAnnotator的解釋很多。。。。。。？？？？？

Attelia可以在安卓平臺實現， 可以輸入和記錄UI事件流（敲，點擊，滾動或修改UI組件）

可以在穀歌平臺分發，有助於系統部署。

整個工程：：

1.在收集 真實標簽 階段：

應用程序使用期間， 斷點時間的真實標簽值是：通過用戶自願的手動標注收集。

（人在這個應用程序頁面中點哪 就是真實標簽了）

圖2顯示了一個截圖： 我們的Annotation應用程序 浮動在手機屏幕上。

在操作普通的Android應用程序時，用戶按下浮動按鈕，按下斷點的時間。

Attelia服務持續將UI事件流(不包括那些來自注釋按鈕的事件)和斷點時間戳(按下注釋按鈕的時間)記錄到本地存儲。  （UI事件流（敲，點擊，滾動或修改UI組件））

2.在離線模型訓練階段：

每個3秒的時間段  將提取45個定義特征，如圖3所示，

並將其輸入Weka以訓練分類器模型。

3.測試階段，服務捕獲的UI事件流將在移動設備上實時輸入到模型，服務將動態檢測斷點

評估：    找一些人 要求用我們的系統在三星手機上 隨意的自然的使用十個app 使用時長五分鐘，             憑感覺注視斷點。

數據說話： 在兩種模型上 和統一模型上  效果都挺好

總結 結論：

   本文提出了一種新型中間件：Attelia

   中間件 ：它可以實時感知用戶在智能手機上的注意力狀態，無需任何專門的心理-生理傳感器。

                  利用我們新穎的“應用作為傳感器AsaS”方法和機器學習技術，檢測智能手機上用戶活動的斷點。

AsaS具體方法： 用戶的應用（app）使用模式將扮演  傳感器和機器學習技術。

               通過機器學習技術，Attelia實現感知能力。 在應用程序下作為中間件， 從當前操作的應用程序中輸入UI事件，實現對不同應用程序的適用性和易部署。對app不修改。不需專門傳感器，so全天用OK

最後收到協會支持！

   我們的初步評估顯示相當樂觀的准確率在80-90%左右。本研究得到美國國家信息與通信技術研究所(NICT)的部分支持。