Handybasierte Aktivitätserkennung

Die Erkennung von menschlichen Aktivitäten ist schon seit einigen Jahrzehnten ein fester Bestandteil der aktuellen Forschung. Nützliche Anwendungsmöglichkeiten der Aktivitätserkennung liegen z.B. in den Bereichen Gesundheit, Altenpflege oder Ubiquitous Computing. In der vorliegenden Arbeit wurde ein Konzept für eine verbesserte Aktivitätserkennung auf Sensor-basierenden Daten entwickelt. Dafür werden die für einen Klassifizierer zum Anlernen notwendigen Trainingsdaten mit Hilfe einer kurzen Lernphase so manipuliert, dass diese sich besser für die Aktivitätserkennung des jeweiligen Nutzers eignen. In einem Versuch wurden Beschleunigungsdaten mithilfe eines Drei-Achsen-Beschleunigungssensors, welcher an der Hüfte getragen wurde, von 13 Probanden mit einer Lernphase von jeweils einer Minute pro Aktivität gesammelt und anschließend eine Manipulation bzw. Anpassung der Trainingsdaten vorgenommen. Getestet wurden die drei unterschiedlichen Klassifizierer Support Vector Machine, Naive Bayes Klassifizierer und der C4.5 Entscheidungsbaum. Die Support Vector Machine und der Naive Bayes Klassifizierer lieferten die besten Ergebnisse. Der Entscheidungsbaum eignete sich nur mittelmäßig für die Erkennung der Aktivitäten nach der Anpassung der Trainingsdaten.

The recognition of human activities is an important research topic, which grew over the last decades. Possible usage appears in different scopes, such as medication, healthcare, elderly care or ubiquitous computing. The following thesis introduces a concept to improve the recognition of activities based on sensor data. For this purpose, the necessary training data, which is used to train a classifier, is manipulated, thus to provide an improved activity recognition for certain users. In the context of an experiment with 13 test persons a three-axis-accelerometer, which was carried at the hip, was used to collect activity data, in order to optimize the above described procedure afterwards. Moreover, three different classifiers were tested in the scope of the experiment, the Support Vector Machine, the Naive Bayes Classifier and the C4.5 Decision-Tree, whereas the Support Vector Machine provided the best results followed by the Naive Bayes classifier. The method of the Decision Tree only provided contingent results after adjusting the training data.