Abstract Ubiquitous computing transforms physical environments into smart spaces, supporting users in an unobtrusive fashion. Such support requires sensing and interpreting the situation of the user, and providing the required functionality utilizing resources available. In other words, context acquisition, context modelling, and context reasoning are required. This thesis explores rule-based context reasoning from three perspectives: to implement the functionality of ubiquitous applications, to support the creation of ubiquitous applications, and to achieve self-adaptation. First, implementing functionality with reasoning is studied by comparing an application equipped with rule-based reasoning with an application providing similar functionality with hard coded application logic. The scalability of rule-based reasoning is studied with a large-scale student assistant scenario. Reasoning with constrained resources is explored with an application that performs reasoning partially on mobile devices. Finally, distributing a reasoning component that supports smart space interaction is explored with centralized, hybrid, and distributed architectures. Second, the creation of applications with rule-based reasoning is explored. In the first study, rules support building applications from available services and resources based on the instructions that users give via physical user interfaces. The second study supports developers, by proposing middleware that dynamically selects services and data based on the rules written by application developers. Third, self-adaptation is explored with a conceptual framework that adds self-introspective monitoring and control to smart space applications. This framework is verified with simulation and theoretical studies, and an application that fuses diverse data to provide fuel-efficient driving recommendations and adapts decision-making based on the driver’s progress and feedback. The thesis’ contributions include demonstrative cases on using rule-based reasoning from different perspectives, different scales, and with different architectures. Frameworks, a middleware, simulations, and prototypes provide the concrete contribution of the thesis. Generally, the thesis contributes to understanding how rule-based reasoning can be used in ubiquitous computing. The results presented can be used as guidelines for developers of ubiquitous applications. / Tiivistelmä Jokapaikan tietotekniikka muokkaa fyysisen ympäristömme älykkääksi tilaksi, joka tukee käyttäjää häntä häiritsemättä. Tuki toteutetaan asentamalla ympäristöön käyttäjää ja ympäristöä havainnoivia laitteita, tulkitsemalla kerätyn tiedon perusteella käyttäjän tilanne ja tarjoamalla tilanteeseen sopiva toiminnallisuus käyttäen saatavilla olevia resursseja. Toisin sanoen, älykkään tilan on kyettävä tunnistamaan ja mallintamaan toimintatilanne sekä päättelemään toimintatilanteen perusteella. Tässä työssä tutkitaan sääntöpohjaista päättelyä toimintatilanteen perusteella sovellusten toiminnallisuuden toteutuksen, kehittämisen tuen sekä mukautuvuuden näkökulmista. Sovellusten toiminnallisuuden toteuttamista päättelemällä tutkitaan vertaamalla sääntöpohjaisen päättelyn avulla toteutettua toiminnallisuutta vastaavaan suoraan sovellukseen ohjelmoituun toiminnallisuuteen. Sääntöpohjaisen päättelyn skaalautuvuutta arvioidaan laajamittaisessa opiskelija-assistenttiskenaariossa. Niukkojen resurssien vaikutusta päättelyyn arvioidaan päättelemällä osittain mobiililaitteessa. Älykkään tilan vuorovaikutusta tukevan päättelykomponentin hajauttamista tutkitaan keskitetyn, hybridi- ja hajautetun arkkitehtuurin avulla. Sovelluskehityksen tukemiseksi päättelyn säännöt muodostetaan saatavilla olevista palveluista ja resursseista käyttäjän fyysisen käyttöliittymän välityksellä antamien ohjeiden mukaisesti. Toisessa tapauksessa sovelluskehitystä tuetaan väliohjelmistolla, joka valitsee palvelut ja datan dynaamisesti sovelluskehittäjien luomien sääntöjen perusteella. Mukautuvuutta tutkitaan tilan hallintaan ja itsehavainnointiin liittyvän toiminnallisuuden lisäämiseen pystyvän käsitteellisen kehyksen avulla. Kehyksen toiminta varmennetaan simulointien sekä teoreettisten tarkastelujen avulla. Toteutettu useita datalähteitä yhdistävä sovellus antaa ajoneuvon kuljettajalle polttoaineen kulutuksen vähentämiseen liittyviä suosituksia sekä mukautuu kuljettajan ajotavan kehityksen ja palautteen perusteella. Työssä on osoitettu sääntöpohjaisen päättelyn toimivuus eri näkökulmista, eri skaalautuvuuden asteilla sekä eri arkkitehtuureissa. Työn konkreettisia tuloksia ovat kehykset, väliohjelmistot, simuloinnit sekä prototyypit. Laajemmassa mittakaavassa työ edesauttaa ymmärtämään sääntöpohjaisen päättelyn soveltamista ja työn tuloksia voidaankin käyttää suosituksina sovelluskehittäjille.

Abstract In this work, statistical machine learning and pattern recognition methods were developed and applied to sensor-based human context recognition. More precisely, we concentrated on an effective discriminative learning framework, where input-output mapping is learned directly from a labeled dataset. Non-parametric discriminative classification and regression models based on kernel methods were applied. They include support vector machines (SVM) and Gaussian processes (GP), which play a central role in modern statistical machine learning. Based on these established models, we propose various extensions for handling structured data that usually arise from real-life applications, for example, in a field of context-aware computing. We applied both SVM and GP techniques to handle data with multiple classes in a structured multi-sensor domain. Moreover, a framework for combining data from several sources in this setting was developed using multiple classifiers and fusion rules, where kernel methods are used as base classifiers. We developed two novel methods for handling sequential input and output data. For sequential time-series data, a novel kernel based on graphical presentation, called a weighted walk-based graph kernel (WWGK), is introduced. For sequential output labels, discriminative temporal smoothing (DTS) is proposed. Again, the proposed algorithms are modular, so different kernel classifiers can be used as base models. Finally, we propose a group of techniques based on Gaussian process regression (GPR) and particle filtering (PF) to learn to track multiple targets. We applied the proposed methodology to three different human-motion-based context recognition applications: person identification, person tracking, and activity recognition, where floor (pressure-sensitive and binary switch) and wearable acceleration sensors are used to measure human motion and gait during walking and other activities. Furthermore, we extracted a useful set of specific high-level features from raw sensor measurements based on time, frequency, and spatial domains for each application. As a result, we developed practical extensions to kernel-based discriminative learning to handle many kinds of structured data applied to human context recognition. / Tiivistelmä Tässä työssä kehitettiin ja sovellettiin tilastollisen koneoppimisen ja hahmontunnistuksen menetelmiä anturipohjaiseen ihmiseen liittyvän tilannetiedon tunnistamiseen. Esitetyt menetelmät kuuluvat erottelevan oppimisen viitekehykseen, jossa ennustemalli sisääntulomuuttujien ja vastemuuttujan välille voidaan oppia suoraan tunnetuilla vastemuuttujilla nimetystä aineistosta. Parametrittomien erottelevien mallien oppimiseen käytettiin ydinmenetelmiä kuten tukivektorikoneita (SVM) ja Gaussin prosesseja (GP), joita voidaan pitää yhtenä modernin tilastollisen koneoppimisen tärkeimmistä menetelmistä. Työssä kehitettiin näihin menetelmiin liittyviä laajennuksia, joiden avulla rakenteellista aineistoa voidaan mallittaa paremmin reaalimaailman sovelluksissa, esimerkiksi tilannetietoisen laskennan sovellusalueella. Tutkimuksessa sovellettiin SVM- ja GP-menetelmiä moniluokkaisiin luokitteluongelmiin rakenteellisen monianturitiedon mallituksessa. Useiden tietolähteiden käsittelyyn esitetään menettely, joka yhdistää useat opetetut luokittelijat päätöstason säännöillä lopulliseksi malliksi. Tämän lisäksi aikasarjatiedon käsittelyyn kehitettiin uusi graafiesitykseen perustuva ydinfunktio sekä menettely sekventiaalisten luokkavastemuuttujien käsittelyyn. Nämä voidaan liittää modulaarisesti ydinmenetelmiin perustuviin erotteleviin luokittelijoihin. Lopuksi esitetään tekniikoita usean liikkuvan kohteen seuraamiseen. Menetelmät perustuvat anturitiedosta oppivaan GP-regressiomalliin ja partikkelisuodattimeen. Työssä esitettyjä menetelmiä sovellettiin kolmessa ihmisen liikkeisiin liittyvässä tilannetiedon tunnistussovelluksessa: henkilön biometrinen tunnistaminen, henkilöiden seuraaminen sekä aktiviteettien tunnistaminen. Näissä sovelluksissa henkilön asentoa, liikkeitä ja astuntaa kävelyn ja muiden aktiviteettien aikana mitattiin kahdella erilaisella paineherkällä lattia-anturilla sekä puettavilla kiihtyvyysantureilla. Tunnistusmenetelmien laajennuksien lisäksi jokaisessa sovelluksessa kehitettiin menetelmiä signaalin segmentointiin ja kuvaavien piirteiden irroittamiseen matalantason anturitiedosta. Tutkimuksen tuloksena saatiin parannuksia erottelevien mallien oppimiseen rakenteellisesta anturitiedosta sekä erityisesti uusia menettelyjä tilannetiedon tunnistamiseen.