Android-kirjasto fyysisen aktiviteetin reaaliaikaiseen tunnistamiseen

Abstract

Opinnäytetyössä kehitettiin Kotlin-ohjelmointikielellä Android-sovellus, joka hyödyntää laitteen kiihtyvyysanturia käyttäjän suorittamien aktiviteettien tunnistamiseen. Lisäksi luotiin sovelluksessa käytetyistä menetelmistä Android-kirjasto, joka julkaistiin GitHubilla ja JitPackilla Android-kehittäjien käytettäväksi.

Sovelluksessa tallennetaan käyttäjän suorittamia aktiviteetteja tietokantaan tietyllä ajanjaksolla. Tallentamiseen käytetään kiihtyvyysanturin tarjoamaa dataa. Sovellus pyrkii tunnistamaan käyttäjän tekemän aktiviteetin vertaamalla reaaliaikaista kiihtyvyysdataa tietokannassa oleviin tallennettuihin datoihin. Sovelluksessa käytetyistä komponenteista eriytettiin oma Android-kirjasto. Kirjaston dokumentaatio tuotettiin KDoc:n ja Dokkan avulla. Tuloksena syntyi sovellus, joka tunnistaa melko hyvin kiihtyvyyden muutoksia sisältävää liikuntaa sekä dokumentoitu ja testattu kirjasto, jonka voi helposti integroida Android-projekteihin.

Tulokset tarjoavat tietoa tuleville sovelluskehitysprojekteille, jotka hyödyntävät kiihtyvyysanturin dataa käyttäjän aktiviteettien seuraamiseen ja tunnistamiseen. Jatkokehityksessä voidaan harkita monimutkaisempien tunnistusmenetelmien hyödyntämistä, jotta tunnistusprosessissa saavutettaisiin vakaampia tuloksia.

The thesis focuses on the development of an Android application using the Kotlin programming language, which utilises the device's accelerometer to recognise user activities. Additionally, a library containing the methods used in the application was created and published on GitHub and JitPack for Android developers to utilise.

The application stores user activities in a database over a specified time, using the data provided by the accelerometer sensor. It attempts to recognise the user's activity by comparing real-time accelerometer data with the stored data in the database. The components used in the application were separated into their own Android library. The library's documentation was generated using KDoc and Dokka.

The result is an application that quite accurately recognises activities involving changes in acceleration, along with a documented and tested Android library that can be easily integrated into Android projects. The findings provide insights for future app development projects that utilise accelerometer data for tracking and recognising user activities. Further development may involve using more complex recognition methods to achieve more stable results.