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
- Einleitung
- Allgemeiner Klassifizierungsprozess konkretisiert zur Realisierung eines Aktivitätserkennungssystems.
- Datenerfassung
- Konfiguration des Datenerfassungssystems.
- Smartphone Sensoren.
- Kombination von Sensoren
- Datenvorverarbeitung
- Fehlende Messwerte und Signalschätzung.
- Normalisieren.
- Merkmalskalierung (Normalisieren)
- Fensterung.
- Merkmalsextraktion
- Instanzbasierte Merkmalsextraktion.
- Modellbasierte Merkmalsextraktion.
- Merkmalselektion
- Filter Ansatz (Statistischer Ansatz).
- Wrapper Ansatz (Kombinatorische Merkmalselektion).
- Inkludierter Ansatz (Embedded Approach).
- Ensemble Feature Selection (EFS).
- Transformation / Dimensionsreduktion.
- Klassifizierung
- Klassifizierung anhand instanzbasierter Merkmale.
- Klassifizierung anhand modellbasierter Merkmale.
- Hyperparameteroptimierung
- Variante: Trageorientierungsunabhängigkeit
- Beschleunigungsbetragsverfahren.
- Einheitliches Bezugssystem.
- Entwicklung eines Aktivitätserkennungssystems anhand des allgemeinen Klassifizierungsprozesses
- Grundlegendes Aktivitätserkennungssystem
- Datenerfassung.
- Merkmalsextraktion
- Klassifizierung.
- Erkennungsraten von Sensorkombinationen
- Analysen zur Verbesserung des Aktivitätserkennungssystems
- Merkmalselektion.
- Bestimmung der Frequenzbänder.
- Datenvorverarbeitung.
- Zusammenfassung der Analyseergebnisse.
- Erkennungsraten von Sensorkombinationen (optimierte Konfiguration).
- Hyperparameteroptimierung und MLP
- Variante Beschleunigungsbetragsverfahren.
- Echtzeitaktivitätserkennung
- Segmentierung der Sensorsignale durch Fensterung.
- Energieeffiziente Aktivitätserkennung
- Optimierung Abtastfrequenz.
- Optimierung der zu übermittelnden Daten bei einer Server Client Architektur.
- Evaluation des Aktivitätserkennungssystems
- Fazit
Zielsetzung und Themenschwerpunkte
Diese Arbeit hat zum Ziel, die Effizienz der Aktivitätserkennung mithilfe von Sensordaten eines Smartphones zu untersuchen. Dabei liegt der Fokus auf der Entwicklung eines Echtzeitaktivitätserkennungssystems, das die Tragegewohnheiten des Nutzers berücksichtigt und gleichzeitig energieeffizient ist.
- Entwicklung eines Aktivitätserkennungssystems für Smartphones.
- Optimierung der Erkennungsraten durch Analyse von Sensordaten und Merkmalsextraktion.
- Bewertung verschiedener Klassifikationsmethoden und Auswahl der optimalen Methode.
- Steigerung der Energieeffizienz des Systems.
- Bewertung der Praktikabilität und Usability des entwickelten Systems.
Zusammenfassung der Kapitel
Das erste Kapitel führt in die Thematik der Aktivitätserkennung mit Sensordaten von Smartphones ein und erläutert die Motivation für die Entwicklung eines solchen Systems. Kapitel zwei beschreibt den allgemeinen Klassifizierungsprozess, der als Grundlage für die Entwicklung des Aktivitätserkennungssystems dient. Die einzelnen Schritte des Klassifizierungsprozesses werden detailliert erläutert, von der Datenerfassung über die Datenvorverarbeitung bis hin zur Merkmalsextraktion und Klassifizierung. Kapitel drei konzentriert sich auf die Entwicklung des Aktivitätserkennungssystems selbst. Hier werden verschiedene Ansätze zur Merkmalsextraktion und Klassifizierung vorgestellt und ihre Ergebnisse hinsichtlich der Erkennungsraten und der Energieeffizienz verglichen. Kapitel vier evaluiert das entwickelte Aktivitätserkennungssystem anhand verschiedener Metriken und diskutiert die Ergebnisse. Schließlich fasst das fünfte Kapitel die Ergebnisse zusammen und gibt einen Ausblick auf zukünftige Forschungsrichtungen.
Schlüsselwörter
Aktivitätserkennung, Smartphone Sensoren, Zeitreihenanalyse, Klassifizierung, Merkmalsextraktion, Merkmalselektion, Energieeffizienz, Echtzeitverarbeitung, Tragegewohnheiten.
- Quote paper
- Matthias Rieger (Author), 2016, Aktivitätserkennung mittels Sensordaten eines Smartphones, Munich, GRIN Verlag, https://www.grin.com/document/335904
