Human behavior analysis and prediction Based on a smart floor

Older adults have the desire to live independently in their own homes for as long as possible. The development of sensor technologies in Smart Homes support this aim by providing sufficient security standards in case of emergencies. For example, a call of emergency can be triggered if a fall of a person is detected by sensors hidden in the floor. However, it is often not only about urgent situations, but also about gradual changes in behavior. Especially when a user is not able to follow his or her daily routine, long-term activity recognition based on location tracking allows for early detection of diseases such as Alzheimer's and dementia and can generally reveal a decrease in the ability to live independently. The focus of this work was the investigation of health related activities and their most accurate measurement only using an intelligent floor based system. Based on these considerations, a method to extrapolate from the collected sensor data to the chosen values is proposed. In addition, a model to detect gradual changes in these health indicators is developed and tested on the smart floor in the Living Lab of Fraunhofer IGD as well as in two apartments in everyday life. The findings of these thesis show a way of using smart floors for health monitoring. The applicability in everyday life could not be shown due to independent problems with the location tracking of the floor during the evaluation period and the lack of additional data for the validation. However, the evaluation under testing conditions showed promising results and an untapped potential of smart floors in health monitoring.

Ältere Menschen bevorzugen es, so lange wie möglich unabhängig in ihren eigenen Wohnungen zu leben. Die Entwicklung von Sensortechnologien in Smart Homes unterstützt diesen Wunsch durch notwendige Sicherheitsmaßnahmen im Falle eines Notfalls. Das Absenden eines Notrufs kann zum Beispiel ausgelöst werden, wenn ein Sturz einer Person von Sensoren im Boden erkannt wird. Allerdings spielen häufig nicht nur akute Gefahrensituationen eine Rolle, sondern auch graduelle Veränderungen in alltäglichen Verhaltensweisen. Eine langfristige Aktivitätenerkennung basierend auf Positionsdaten kann eine frühzeitige Erkennung von Krankheiten wie Alzheimer und Demenz ermöglichen und eine Verschlechterung der funktionalen Gesundheit aufdecken. Der Fokus der Arbeit liegt bei der Ermittelung von Aktivitäten, die mit der Gesundheit verbunden sind und deren Erkennung ausschließlich mit Hilfe eines intelligenten Bodens. Basierend auf diesen Überlegungen wurde eine Methode entwickelt, um von den aufgenommenen Sensordaten auf die gewählten Werte zu schließen. Außerdem wurde ein Modell entwickelt um graduelle Veränderungen in diesen Gesundheitsindikatoren zu erkennen. Dieses wurde sowohl auf dem intelligenten Boden im Living Lab des Fraunhofer IGDs getestet, als auch im Alltag in zwei Wohnungen. Die Ergebnisse in dieser Thesis zeigen einen Weg, um intelligente Böden zur Beobachtung des Gesundheitszustandes zu verwenden. Die Anwendbarkeit im alltäglichen Leben konnte nicht gezeigt werden durch unabhängige Probleme mit der Positionsermittlung des Bodens während der Evaluation und dem Fehlen von Daten für die Validierung. Die Evaluation unter Testbedingungen zeigte jedoch vielversprechende Ergebnisse und ein unausgeschöpftes Potenzial von intelligenten Böden für die Gesundheitsüberwachung.