Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Analysis of different statistical methods for supporting the automatic derivation of mobile context descriptions

 
: Irmisch, Dorothea Johanna
: Rombach, H. Dieter; Jung, Christian

Kaiserslautern, 2015, 120 S.
Kaiserslautern, TU, Master Thesis, 2015
Englisch
Master Thesis
Fraunhofer IESE ()
KoSiUX

Abstract
As part of the KOSIUX project which developed a method to elicit and model user contexts, this thesis compares different statistical methods to derive logic rules to define a user's behavior. The focus was on recognizing the activities of the consumer based on continuously captured sensor data of smartphones which the user carried with him an with which he interacted. Five different machine learning methods were explored: SVM, GLM, Decision Trees, Correlation and an approach based on frequency observations of the sensor variables. Based on these methods logic rules were derived to predict the activity of the user from the sensor values. As these simplified rules are easy to implement they can be used in an automated context-aware system. A study was conducted with volunteers to obtain the training data for the machine learning methods. Data from twelve different smartphone sensors were collected, including sensors capturing the smartphone environment, such as orientation, light, and reachable cell towers and Wifi spots, and the smartphone states, such as battery levels, screen states, and the running applications. The activities to be recognized were individually defined by the user. Depending on the user, how he used the smartphone and defined the activities, most activities could be well recognized based on the complete sensor data. However it was difficult to separate activities taking place in a similar location and an environment with little smartphone interaction. The derivation of simplified logic rules was also dependent on the user. The initial derivation and updating of such rules with good quality of activity prediction is difficult and should be performed dependent on the respective use case. The subsequent application of the rules in an automated system is easy.

 

Als Teil des KOSIUX Projekts, das ein Methode zur Erstellung von Kontext Modellen von Anwendern entwickelt hat, vergleicht diese Arbeit verschiedene statistische Methoden zur Ableitung von logischen Regeln, die das Verhalten des Nutzers definieren. Dabei liegt der Schwerpunkt auf der Erkennung der Aktivitäten des Anwenders anhand von kontinuierlich erfassten Sensordaten der Smartphones, die vom Anwender bei sich geführt und benutzt wurden. Fünf verschiedene Methoden wurden untersucht: SVM, GLM, Decision Tree, Correlation und ein Methode, die auf Häufigkeitsbeobachtungen für die Sensorvariablen basiert. Mit Hilfe dieser Methoden wurden logische Regeln hergeleitet, die aus den Sensorwerten die vermutlichen Aktivität vorhersagen. Da diese vereinfachten Regeln leicht zu implementieren sind, können sie in automatisierten kontextsensitiven Systemen verwendet werden. Eine Feldstudie wurde mit einer Gruppe von Freiwilligen durchgeführt, um Trainingsdaten für die Methoden zu erhalten. Dabei wurden Daten von zwölf verschiedenen Smartphone-Sensoren gesammelt, unter anderem Sensoren, die die Umgebung erfassen, wie die Ausrichtung des Smartphones, das Licht und die erreichbaren Funktürme für Wifi und Mobilfunk, und solche, die den Zustand des Smartphones erfassen, wie den Batterie- und Bildschirmzustand und die laufenden Apps. Die zu erkennenden Aktivitäten wurden individuell vom Nutzer selbst definiert. Abhängig vom Nutzer, wie dieser das Smartphone nutzte und seine Aktivitäten definierte, konnten die meisten Aktivitäten anhand der vollständigen Sensordaten gut erkannt werden. Dennoch war es schwierig, Aktivitäten in einer ähnlichen räumlichen Umgebung und mit wenig Interaktion mit dem Smartphone auseinanderzuhalten. Die Ableitung vereinfachter logischer Regeln war ebenfalls abhängig vom jeweiligen Nutzer. Die initiale Erstellung und eventuell Aktualisierung solcher Regeln mit guter vorhersagequalität ist schwierig und sollte deshalb abhängig vom Einsatzzweck erfolgen. Die nachfolgende Anwendung der Regeln in einem automatisierten System ist einfach.

: http://publica.fraunhofer.de/dokumente/N-358666.html