Aktivitätserkennung mittels Sensordaten eines Smartphones

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

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.