Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Erkennung von Aufstehsituationen mit multimodaler Sensorik

Recognition of bed-related activities using multimodal sensing
 
: Pavlov, Alexander
: Große-Puppendahl, Tobias; Kirchbuchner, Florian

Darmstadt, 2015, 71 S.
Darmstadt, TU, Master Thesis, 2015
Deutsch
Master Thesis
Fraunhofer IGD ()
activity monitoring; activity recognition; health care; capacitive sensors; sensor fusion; Business Field: Digital society; Research Area: Human computer interaction (HCI)

Abstract
In dieser Arbeit wurde die Erkennung von sechs ausgewählten Aktivitäten mit dem multimodalen Bettsystem untersucht.
Bei der multimodalen Sensorik handelt es sich um eine Kombination aus einem Elektropotentialsensor, einem kapazitiven Sensor, einem Passiv-Infrarot-Sensor und einem 3-Achsen-Beschleunigungssensor. Es wurde ein prototypisches System im Multimedia Appliances Lab am Fraunhofer IGD aufgebaut. Anschließend wurden Aufzeichnungen mit zehn Personen durchgeführt und die Trainings- und Testdaten für den Machine-Learning-Algorithmus gesammelt. Aus den aufgenommenen Daten wurden die Merkmale im Zeitbereich, im Zeit-Frequenzbereich und im Frequenzbereich extrahiert.
Die beste Klassifikationsgenauigkeit des entwickelten Systems, abgeschätzt mit dem F-Maß, berechnet sich zu 0,999 und wurde bei der Aktivität "Epilepsie" beobachtet. Das über alle Aktivitäten gemittelte F-Maß ist zufriedenstellend und erreicht einen Wert von 0,870.

 

In recent years human activity recognition systems have become a major input modality for building automation. However, those systems also found recent applications in emergency detection, such as recognizing strange behavior of patients. A novel way of detecting user activites in certain areas are wireless capacitive sensing nodes. In this thesis, an approach for recognizing these activities based on a set of sensor nodes will be investigated. Therefore, the user activity will be reconstructed based on measured sensor data. The user activity is analyzed and the corresponding behavior is extracted based on machine learning methods. The thesis aims at recognizing activities of daily living, for example activities like lying in the bed for an abnormal long time. When irregularities occur, an automatic alarm can be sent to caregivers. The wireless sensing nodes can be deployed in various locations, for example under mattresses, within doors or under tables.

: http://publica.fraunhofer.de/dokumente/N-389172.html