dc.description.abstract
Das Ziel dieser Arbeit ist kontinuierliche und diskrete Daten in einem Algorithmus zu vereinen um komplexe Aktivitäten-Muster zu erkennen,wie Zähne putzen,Zubereitung von Essen oder Hausarbeit.Diese Muster sind oft sehr komplex,da sie aus vielen Untermustern bestehen. Das Zubereiten von Essen zum Beispiel,besteht aus Untermustern wie 'Töpfe aus dem Schrank nehmen',Essen aus dem Kühlschrank nehmen',Schneiden',Kochen'und andere.Der schwierige Teil dieser Aufgabe ist,dass die Essenszubereitung sich nicht nur in der Reihenfolge der Untermuster unterscheidet,sondern auch in den unterschiedlichen Speisen die zubereitet werden.Man stelle sich den Unterschied zwischen der Vorbereitung eines Drei-Gänge-Menüs zu einem Frühstück vor.Diese beiden Aktivitäten unterscheiden sich enorm in der Vorbereitungsdauer und den Untermustern.Das Erkennungssystem welches innerhalb dieser Arbeit konstruiert wurde und menschliche Aktivitäten erkennt,kann mit dieser Art von Unterschieden umgehen. Das InvenSense MotionFit TMSoftware Development Kit(SDK)wird verwendet um die MPU-9150Sensordaten aufzuzeichnen.Der MPU-9150Sensor ist ein neun-achsiges MotionTracking Gerät,welches für diese Art von Anwendungen,wie in dieser Arbeit benötigt,optimiert wurde.Dieser tragbare Sensor kann Beschleunigungssensor-und Gyrometer-Daten senden,welche später herangezogen werden um menschliche Aktivitäten in realen Umgebungen zu erkennen. Die Frequenz der annotierten Daten ist in allen Experimenten auf50Hz gesetzt worden.Die aufgenommenen Aktivitäten sindHaare kämmen',Gesicht waschen',Hände waschen',Zähne putzen',Das Bett machen',Kleidung wechseln',Rollos rauf/runter ziehen',Essen zubereiten',Essen'undFenster schließen/öffnen'.Zwischen diesen Aktivitäten wird eineNULL'-Klasse durchgeführt,welche die Vorbereitung bzw.Nachbereitung der nächsten bzw.vorigen Aktivität beschreibt.Diese rohen Daten werden mithilfe eines verschiebbaren Fensters und verschiedener Features vorverarbeitet.In dieser Arbeit beträgt die Fensterlänge50,genauso wie die Frequenz beim Aufnehmen.Die Verschiebung des Fensters wird mit einer50%-Überlappung durchgeführt.Die verwendeten Features sind Mittelwert,Varianz,Korrelation und die auf schnelle Fourier-Transformation beruhenden Features,spektrale Entropie und Energie. Die Mustererkennung wird mit MATLAB und der von Murphyet al.zur Verfügung gestellten Toolbox PMTK3 [22]bewerkstelligt.Die verwendeten Klassifikations-Algorithmen sind supervised Lernmethoden,dies bedeutet,sie brauchen gelabelte Daten für das Training.Dieser Umstand wird von den Daten in dieser Arbeit erfüllt.Die Klassifikations-Algorithmen die während der Experimente verwendet werden sind einerseits kontinuierliche Hidden Markov Modelle(cHMM)und andererseits k-nächste-Nachbarn(kNN)Klassifikatoren.Die Klassifikationsmethoden werden im Detail beschrieben und ein Vergleich wird durchgeführt um Unterschiede zu erörtern.Die Experimente zeigen schlussendlich,dass das cHMM zu besseren Resultaten führt,im Gegensatz zu dem kNN Klassifikator. Die Erkennung von Alltagsaktivitäten funktioniert gut im Zusammenhang mit Ambient Assisted Living.Es kann gefolgert werden,dass cHMM die geeignetste Methode ist und zu den besten Ergebnissen führt.Verhältnismäßig ist der kNN Klassifikator viel schlechteraufgrund seiner einfachen Annahme.Deshalb ist der kNN Klassifikator nicht der beste Klassifikator,aber trotz seiner Einfachheit können annehmbare Ergebnisse erwartet werden. Nach der Validierung des Models sind verschiedene Features Kombinationen verglichen worden um die geeignetste Kombination zu finden.Andere Experimente konzentrieren sich auf die Verwendung von verschiedenen Training-und Test-Sets,die beste Anzahl von Sensoren,den Einfluss von Filtern,den Einfluss der Teilung von Aktivitäten und die Anwendung von diskreten und kontinuierlichen Daten.Die Experimente zeigen,dass die Bewegungssensor-Daten alleine,die besten Resultate liefert,während Filter und Teilung von Aktivitäten keine qualitative Verbesserung bringen. Die Kombination von diskreten und kontinuierlichen Daten verbessert die Resultate erheblich und führt zu verschiedenen Aktivitäten mit bester Genauigkeit und Trefferquote.Die Genauigkeit fürHände waschen'ist mit100%die beste Aktivität für kontinuierliche Daten undZähne putzen'100%für den kombinierten Fall.Essen'hat eine der besten Trefferquoten mit97.13%im kontinuierlichen Fall,wohingegen der kombinierte Fall eine Verbesserung nach sich zieht mit100%fürHände waschen',Das Bett machen',Rollos rauf/ runter ziehen',Essen zubereiten',Essen'undFenster öffnen/ schließen'.Im Allgemeinen liefert das System vertretbare Resultate sogar mit einem relativ kleinen Datensatz.
de