Der intelligenten Technik am Körper, den sogenannten „Wearables“, wie bspw. Fitnessarmbändern oder Smartwatches, wird eine blühende Zukunft prognostiziert. Sie gelten als einer der größten Techniktrends. Eine der Hauptaufgaben der Fitnessarmbänder und Smart Watches ist das Überwachen körperlicher Aktivität. Vergessen wird, dass die Mehrheit längst unentwegt ein Messsystem bei sich trägt – das Smartphone.
Diese Arbeit zeigt, dass die Aktivitätserkennung mittels Sensordaten eines Smartphones mit hohen Erkennungsraten möglich ist. Hierzu wurde ein Echtzeitaktivitätserkennungssystem entwickelt. Das System berücksichtigt Tragegewohnheiten und legt Wert auf Energieeffizienz. Dadurch wird es dem Anspruch an eine komfortable und praktikable Aktivitätserkennung gerecht. Das Aktivitätserkennungssystem kann problemlos für Wearables o.Ä. verwendet werden. Für die Aktivitäten Sitzen, Stehen, Liegen, Gehen, Laufen, Treppensteigen und Treppen hinuntergehen wurde eine Erkennungsrate von rund 97% erzielt. Zur Realisierung des Aktivitätserkennungssystems wurde eine Zeitreihenanalyse durchgeführt. Diese folgt dem Schema des allgemeinen Klassifizierungsprozesses. Der allgemeine Klassifizierungsprozess wurde durch die Auswahl geeigneter Verfahren/Algorithmen aus der Domäne Aktivitätserkennung konkretisiert. Diese werden vorgestellt. Für die Sensoren Gyroskop, Magnetometer und Beschleunigungssensor wurden jeweils individuell Verfahren/Algorithmen ausgewählt. Hierdurch wurde die Erkennungsrate für jeden einzelnen Sensor optimiert. Die Kombination der Sensoren wurde untersucht. Schließlich wurde mit dem Beschleunigungssensor die höchste Erkennungsrate erzielt.
Inhaltsverzeichnis
1 Einleitung
2 Allgemeiner Klassifizierungsprozess konkretisiert zur Realisierung eines Aktivitätserkennungssystems
2.1 Datenerfassung
2.1.1 Konfiguration des Datenerfassungssystems
2.1.2 Smartphone Sensoren
2.1.3 Kombination von Sensoren
2.2 Datenvorverarbeitung
2.2.1 Fehlende Messwerte und Signalschätzung
2.2.2 Filtern
2.2.3 Normalisieren
2.2.4 Merkmalskalierung (Normalisieren)
2.2.5 Fensterung
2.3 Merkmalsextraktion
2.3.1 Instanzbasierte Merkmalsextraktion
2.3.2 Modellbasierte Merkmalsextraktion
2.4 Merkmalselektion
2.4.1 Filter Ansatz (Statistischer Ansatz)
2.4.2 Wrapper Ansatz (Kombinatorische Merkmalselektion)
2.4.3 Inkludierter Ansatz (Embedded Approach)
2.4.4 Ensemble Feature Selection (EFS)
2.4.5 Transformation / Dimensionsreduktion
2.5 Klassifizierung
2.5.1 Klassifizierung anhand instanzbasierter Merkmale
2.5.2 Klassifizierung anhand modellbasierter Merkmale
2.5.3 Hyperparameteroptimierung
2.6 Variante: Trageorientierungsunabhängigkeit
2.6.1 Beschleunigungsbetragsverfahren
2.6.2 Einheitliches Bezugssystem
3 Entwicklung eines Aktivitätserkennungssystems anhand des allgemeinen Klassifizierungsprozesses
3.1 Grundlegendes Aktivitätserkennungssystem
3.1.1 Datenerfassung
3.1.2 Merkmalsextraktion
3.1.3 Klassifizierung
3.1.4 Erkennungsraten von Sensorkombinationen
3.2 Analysen zur Verbesserung des Aktivitätserkennungssystems
3.2.1 Merkmalselektion
3.2.2 Bestimmung der Frequenzbänder
3.2.3 Datenvorverarbeitung
3.3 Zusammenfassung der Analyseergebnisse
3.3.1 Erkennungsraten von Sensorkombinationen (optimierte Konfiguration)
3.3.2 Hyperparameteroptimierung und MLP
3.4 Variante Beschleunigungsbetragsverfahren
3.5 Echtzeitaktivitätserkennung
3.5.1 Segmentierung der Sensorsignale durch Fensterung
3.6 Energieeffiziente Aktivitätserkennung
3.6.1 Optimierung Abtastfrequenz
3.6.2 Optimierung der zu übermittelnden Daten bei einer Server Client Architektur
4 Evaluation des Aktivitätserkennungssystems
5 Fazit
6 Anhang A: Standardeinstellungen
6.1 Hyperparameteroptimierung
7 Anhang B: Ergebnisse
7.1 Erkennungsrate nach Merkmalselektionsverfahren
7.2 Merkmalsrelevanz Tabelle
7.3 Merkmalsrelevanz Frequenzbänder
7.4 Erkennungsrate bei der Verwendung verschiedener Filter
7.5 Erkennungsrate bei Kombinationen aus Butterworth / Interpolation / Z-Score
8 Anhang C: Referenztabelle Merkmalsextraktion
Zielsetzung & Themen
Ziel dieser Arbeit ist die Entwicklung eines komfortablen und praktikablen Systems zur automatischen Erkennung körperlicher Alltagsaktivitäten mittels Smartphone-Sensoren. Dabei wird untersucht, wie durch Zeitreihenanalyse, Signalvorverarbeitung und gezielte Algorithmenauswahl eine hohe Erkennungsrate für Aktivitäten wie Sitzen, Stehen, Liegen, Gehen, Laufen sowie Treppensteigen erreicht werden kann.
- Entwicklung eines Echtzeit-Aktivitätserkennungssystems unter Berücksichtigung von Energieeffizienz und Tragegewohnheiten.
- Systematische Evaluierung des allgemeinen Klassifizierungsprozesses (Datenerfassung, Vorverarbeitung, Merkmalsextraktion, Merkmalselektion).
- Vergleich verschiedener maschineller Lernverfahren wie Random Forest, Support Vector Machine und Multi Layer Perceptron.
- Analyse des Einflusses von Sensorkombinationen, Filtern und Merkmalskalierung auf die Erkennungsgenauigkeit.
- Untersuchung von Methoden zur Trageorientierungsunabhängigkeit und effizienten Datenübertragung in einer Client-Server-Architektur.
Auszug aus dem Buch
2.5.2.1 Random Forest Klassifizierer (RF)
Beim Training des RF werden mehrere Entscheidungsbäume erzeugt. Jeder Entscheidungsbaum erhält eine zufällige Anzahl an Merkmalen mit denen er trainiert wird. Bei der Klassifizierung berechnet jeder Entscheidungsbaum des RF die Wahrscheinlichkeit für die Klassen. Danach wird aus den ausgegebenen Wahrscheinlichkeiten der Mittelwert gebildet. Das Ergebnis ist dann die Klasse mit dem höchsten Mittelwert.
Ein Entscheidungsbaum lernt allgemeine Einordnungsregeln aus den Trainingsdaten. Diese werden durch einfache if-then-else Regeln repräsentiert. Zum Lernen der Regeln wird der Informationsgewinn der Merkmale mathematisch berechnet, z.B. anhand der Entropie. Angelehnt an den Entropiebegriff in der Thermodynamik kann die Entropie als ein Maß für „beseitigte Unordnung“ durch eine Variable verstanden werden.
Die Werte des Informationsgewinnes sind ausschlaggebend für die Regel an der jeweiligen Knotenebene. Das Merkmal mit höchstem Informationsgehalt bildet das Attribut im Wurzelknoten. Dadurch wird D in die genannten Teilmengen zerlegt. Für die Teilmengen wird der Informationsgewinn der Merkmale erneut berechnet und das Trainingsset nach gleichem Schema weiter aufgetrennt. Um Überanpassung zu vermeiden, können verschiedene Parameter wie die maximale Tiefe oder der minimal erforderliche Informationsgehalt angegeben werden.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung beschreibt die Relevanz der Aktivitätserkennung im Zeitalter von Wearables und Smartphones und definiert das Ziel der Arbeit, Aktivitäten vollautomatisch zu erkennen.
2 Allgemeiner Klassifizierungsprozess konkretisiert zur Realisierung eines Aktivitätserkennungssystems: Dieses Kapitel liefert den theoretischen Rahmen des Klassifizierungsprozesses, inklusive Datenerfassung, Vorverarbeitung, Merkmalsextraktion, Merkmalselektion und Klassifizierungsalgorithmen.
3 Entwicklung eines Aktivitätserkennungssystems anhand des allgemeinen Klassifizierungsprozesses: Der Praxisteil widmet sich der konkreten Umsetzung, Analyse und Optimierung des Aktivitätserkennungssystems auf Basis des zuvor definierten theoretischen Schemas.
4 Evaluation des Aktivitätserkennungssystems: Hier wird die Leistungsfähigkeit des entwickelten Systems anhand des umfangreichen PAMAP2-Datensets durch eine Confusion Matrix evaluiert.
5 Fazit: Die Arbeit schließt mit einer Zusammenfassung der Ergebnisse und bestätigt die erfolgreiche Realisierung eines effizienten Aktivitätserkennungssystems.
6 Anhang A: Standardeinstellungen: Dieser Anhang dokumentiert die technischen Standardeinstellungen und Hyperparameter, die für die Reproduzierbarkeit der Analysen verwendet wurden.
7 Anhang B: Ergebnisse: Hier werden detaillierte Diagramme und Tabellen zu den Ergebnissen der Merkmalselektionsverfahren, Filtern und Sensorkombinationen präsentiert.
8 Anhang C: Referenztabelle Merkmalsextraktion: Eine übersichtliche Auflistung der wissenschaftlichen Arbeiten, die als Grundlage für die Auswahl der Merkmale dienten.
Schlüsselwörter
Aktivitätserkennung, Smartphone, Sensorik, Beschleunigungssensor, Zeitreihenanalyse, Klassifizierung, Random Forest, Maschinelles Lernen, Merkmalsextraktion, Merkmalselektion, Datenvorverarbeitung, Echtzeit-Systeme, Energieeffizienz, Mustererkennung, Support Vector Machine
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit der automatischen Erkennung körperlicher Aktivitäten wie Sitzen, Gehen oder Laufen, indem die Sensordaten, die moderne Smartphones ohnehin erfassen, gezielt ausgewertet werden.
Was sind die zentralen Themenfelder der Untersuchung?
Die zentralen Felder umfassen die Datenerfassung, die Vorverarbeitung von Sensorsignalen, die Extraktion und Selektion aussagekräftiger Merkmale sowie die Klassifizierung mittels verschiedener Algorithmen des maschinellen Lernens.
Was ist das primäre Ziel der Bachelorarbeit?
Das Ziel ist die Entwicklung eines komfortablen und praktikablen Systems zur vollautomatischen Aktivitätserkennung auf dem Smartphone, das hohe Erkennungsraten erzielt und gleichzeitig energieeffizient arbeitet.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit folgt dem allgemeinen Klassifizierungsprozess der Zeitreihenanalyse, bestehend aus Datenerfassung, Vorverarbeitung (Filtern, Normalisieren), Merkmalsextraktion (modellbasiert), Merkmalselektion (EFS, Wrapper-Ansätze) und anschließender Klassifizierung.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil befasst sich mit der praktischen Entwicklung des Erkennungssystems, der Optimierung der Algorithmen für verschiedene Sensoren (Beschleunigung, Gyroskop, Magnetometer) und der Evaluation mittels des PAMAP2-Datensets.
Welche Schlüsselwörter charakterisieren die Arbeit am besten?
Die Arbeit wird maßgeblich durch Begriffe wie Aktivitätserkennung, Smartphone-Sensorik, Klassifizierung, Random Forest, Zeitreihenanalyse und Merkmalselektion geprägt.
Wie trägt die "Ensemble Feature Selection" zur Qualität bei?
Die Ensemble Feature Selection fungiert als Katalysator, indem sie die Anzahl der zu extrahierenden Merkmale drastisch reduziert und gleichzeitig einen robusten Kompromiss zwischen Recheneffizienz und Erkennungsrate liefert.
Warum ist das Beschleunigungsbetragsverfahren für leistungsschwache Geräte interessant?
Es transformiert Daten vom drei- in den eindimensionalen Raum, drittelt das Datenaufkommen und ist äußerst hardwarefreundlich, da es die Komplexität der Vorverarbeitung und den Datenverkehr reduziert.
Welche Bedeutung hat der Butterworth-Filter in dieser Untersuchung?
Der Butterworth-Filter erwies sich als effektiv zur Unterdrückung von hochfrequentem Rauschen in den Sensordaten, was in der Praxis zu einer messbaren Steigerung der Erkennungsraten führte.
- Arbeit zitieren
- Matthias Rieger (Autor:in), 2016, Aktivitätserkennung mittels Sensordaten eines Smartphones, München, GRIN Verlag, https://www.grin.com/document/335904
