Titelaufnahme

Titel
Algorithms for sensor fusion in Ambient Assisted Living systems / von Armin Faltinger
VerfasserFaltinger, Armin
Begutachter / BegutachterinDietrich, Dietmar ; Bruckner, Dietmar ; Yin, Guo Qing
Erschienen2011
UmfangIX, 91 S. : Ill., graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2011
Anmerkung
Zsfassung in dt. Sprache
SpracheDeutsch
DokumenttypDiplomarbeit
Schlagwörter (DE)Ambient Assisted Living / Sensor Fusion
Schlagwörter (EN)Ambient Assisted Living / Sensor Fusion
URNurn:nbn:at:at-ubtuw:1-49835 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Algorithms for sensor fusion in Ambient Assisted Living systems [1.53 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Ambient Assisted Living-Systeme unterstützen Personen in ihrem Alltag um nicht auf fremde Hilfe angewiesen zu sein, zum Beispiel durch Überwachung des Gesundheitszustands.

Ein gezielte Verhaltensanalyse und in weiterer Folge eine Gesundheitszustandsüberwachung ist nur dann möglich, wenn die Sensorwerte verlässlich sind. Diese Diplomarbeit stellt eine Verbindung zwischen Ambient Assisted Living-Systemen und Sensor Fusion her. Sensor Fusion stellt gängige Methoden zur Verfügung, um Sensordaten verschiedensten Ursprungs miteinander zu kombinieren.

Ein Implementierungsbereich beschäftigt sich mit der Verarbeitung von den Rohdaten der Sensoren. Dabei wurden diverse Algorithmen verwendet, die auch den Aspekt der Fehlertoleranz mit einbeziehen. Um die beste Variante herauszufinden, wurden Bewertungskriterien definiert.

Diese Arbeit liefert auch Lösungen, um die Konfiguration eines solchen Systems zu erleichtern und damit auch die Verwendbarkeit und in weiterer Folge die Akzeptanz zu verbessern, indem die Sensortypen des Knotens und auch die Topologie automatische gelernt werden. Eine Beurteilung der Bewegungsdaten ist dann möglich.

Die Analyse verschiedenster Algorithmen zur Fusion von Rohdaten zeigte, dass sich ein Algorithmus (congeneric multi-sensor data fusion algorithm) besonders gut für diese Aufgabe eignet. Bei der Erkennung der verschiedenen Sensortypen werden hohe Klassifikationsraten (durchschnittlich 96 Prozent) erzielt. In den beobachteten Fällen können die fehlerhaften Klassifikationen immer mit Hilfe von Sensors Fusion durch die Korrekten ersetzt werden. Diese Methode lässt es auch zu, auf die Anwesenheit einer Person zu schließen. Die Feststellung der Topologie ist im Wesentlichen von externen Einflüssen abhängig.

Die vorgestellten Algorithmen dienen als Basis für eine weiterführende Verhaltensanalyse. Die Klassifizierung der Sensoren eines Knoten und das Lernen der Topologie können auch im Bereich der Gebäudeautomation zur Verringerung des Konfigurationsaufwands beitragen.

Zusammenfassung (Englisch)

Ambient Assisted Living systems are supporting persons in an independent living by e.g. monitoring their health status A distinct behavior analysis and in further terms the health monitoring is only possible if reliable sensor data are available. This thesis links the field of Ambient Assisted Living with Sensor Fusion. Sensor Fusion offers common methods to combine various data from different sources.

One part of the implementation is dealing with the processing of raw sensor data. Therefore, the aspect of fault tolerance is taken into account. The most applicable algorithm is found by applying evaluation criteria.

The thesis is also offering some solutions to simplify the installation phase of an Ambient Assisted Living system. The gained benefits are the increased usability and a better acceptance in the long run by automatically learning the sensor types and the topology. The topology identifies connected areas of a flat and is used to evaluate the accuracy of the position data.

The evaluation of algorithms fusing raw data showed that one algorithm (congeneric multi-sensor data fusion algorithm) is practicable for this task. High classification rates (on average 96 percent) can be achieved when identifying the different sensor types. Via Sensor Fusion all incorrect classifications can be replaced by the correct ones. This method can also be used to deduce if a person is present in the flat on a specific day. The determined topology mainly depends on external influences.

The basis for further behavior analysis is provided by the presented algorithms. The node classification process as well as the topology learning algorithm can also be implemented in another context. Sensor classification and learning of the flat's topology may also be applied to building automation in order to reduce configuration work.