Titelaufnahme

Titel
Automatic scenario detection for ambient assisted living of elderly people / Guo Qing Yin
VerfasserYin, Guo Qing
Begutachter / BegutachterinDietrich, Dietmar ; Fonseca, José Alberto
Erschienen2012
UmfangX, 154 S. : Ill., graph. Darst.
HochschulschriftWien, Techn. Univ., Diss., 2012
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)Automatische Szenarienerkennung / Ambient Assited Living / Verhaltensmodell / Gaussian mixture models / Split Merge Algorithmus / Hidden Markov Modelle / Forward-Algorithmus / Non-invasive Sensorik / Sensorfusion
Schlagwörter (EN)Automatic Scenario Detection / Ambient Assisted Living / Behavior Model / Gaussian Mixture Model / Split Merge Algorithm / Hidden Markov Model / Forward Algorithm / Non invasive Sensor / Sensor fusion
Schlagwörter (GND)Älterer Mensch / Verhalten / Aktivität / Erkennung / Automation / Hidden-Markov-Modell / Sensor / Datenfusion
URNurn:nbn:at:at-ubtuw:1-57836 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Automatic scenario detection for ambient assisted living of elderly people [2.52 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Automatische Verhaltenserkennung beruht auf den täglichen Aktivitätsmustern einer Person, wobei das Hauptproblem in der Dynamik dieser Aktivitäten liegt, die sich mit der Zeit verändern. Ein wesentliches Ziel der vorliegenden Arbeit besteht im automatischen Erkennen und Einordnen des Verhaltens von Personen in wechselnden Situationen.

Umgebungsunterstütztes Leben dient der Verbesserung der Lebensqualität älterer Personen und der Verlängerung des selbstbestimmten Lebens in ihrem eigenen Haushalt. Die Arbeit konzentriert sich auf automatische Verhaltenserkennung in bestimmten Situationen des umgebungsunterstützten Lebens. Zur Durchführung dieses Vorhabens werden die Aktivitäten der Personen analysiert und klassifiziert, wobei zwischen regelmäßigen und zufälligen Verhaltensmustern unterschieden wird. Dabei werden zur Analyse regulärer Aktivitäten und zur Entwicklung von Aktivitätsmodellen Gaussian mixture Modelle und Split-Merge Algorithmen eingesetzt. Zur Behandlung zufälliger Aktivitäten und zum Aufbau eines Aktivitätsmodells wird ein angepasstes Hidden Markov Modell verwendet. Darüber hinaus wird Sensorfusion zur Ableitung von Aktivitätsmodellen aus Sensordaten unterschiedlicher Sensortypen benutzt. Auf Basis dieser Aktivitätsmodelle wird dann eine automatische Verhaltenserkennung realisiert.

Die Arbeit beinhaltet drei Kernpunkte: Anpassung von Split-Merge Algorithmen und Hidden Markov Modellen zum Aufbau von Aktivitätsmodellen für ältere Personen, um normale Tätigkeiten mit verschiedenen und typischen Tagesabläufen abzubilden; dies ist in Kapitel 3 dargelegt.

Nutzung der Vorteile von Sensorfusion zur Vervollständigung des Aktivitätsmodells in Kapitel 4. Basierend auf dem statistischen Aktivitätsmodell wird in Kapitel 5 ein Verfahren zur automatischen Verhaltenserkennung entworfen und diskutiert. Die Resultate zeigen, dass das typische tägliche Verhalten automatisch erkannt werden kann.

Abschließend folgen in Kapitel 6 Zusammenfassung und Ausblick.

Im Rahmen dieser Arbeit wurden über 4 Monate gesammelte reale Daten zum Test des entworfenen Modells verwendet. Es zeigt sich, dass ungewöhnliche Aktivitäten in der Lebensumfeld älterer Personen erkannt werden. Die Erkennung korreliert mit dem von den Testpersonen geführten Testtagebuch. Die in dieser Arbeit entwickelten Ansätze und Technologien können in echten Sensorsystemen zur Unterstützung des täglichen Lebens älterer Menschen genutzt werden.

Zusammenfassung (Englisch)

Automatic scenario detection is based on the daily behavior patterns of a person. The main problem is that the person's activities are dynamic, meaning that most scenarios do not recur in exactly the same way. An important objective of current research is therefore to detect and quantify typical scenarios for a person automatically in a dynamic situation. Ambient assisted living focuses on enhancing the quality of life and prolonging independent living of the elderly in their own home. This thesis concentrates on automatic scenario detection in a range of ambient assisted living scenarios. In order to realize automatic scenario detection, the activities of the elderly must be analyzed and classified. Regular behavior patterns and random behavior must be recognized and treated differently. In the research project covered in this thesis, Gaussian mixture models and the split-merge algorithm were used to analyze regular behavior and learn the behavior model. A hidden Markov model was utilized to recognize and deal with random behavior, thus refining the behavior model. Additionally, sensor fusion was used to create a complete behavior model from sensor state data from different types of sensors. Finally, automatic scenario detection was realized based on these behavior models. There are three important scientific points in the thesis: utilizing the Gaussian mixture model, split-merge algorithm and hidden Markov model to learn behavior models for elderly persons, i.e. modeling the normal activities of an elderly person with several typical daily routines.

This is illustrated in Chapter 3. Utilization of the advantages of sensor fusion makes the behavior model complete in Chapter 4. Based on the statistical behavior models, the realization of automatic scenario detection is introduced and discussed in Chapter 5. The results indicate that the typical daily scenario of the user can be automatically detected. Chapter 6 contains the conclusions and outlook. In the thesis, a real dataset covering a duration of about 4 months was used to test the learnt model. The detections were compared with a daily journal written by the elderly and the results indicated that unusual activities within the living environment of the elderly person were being detected correctly. Approaches and technologies which could be used in a real sensor system to help the elderly in their daily lives will also be developed and discussed within this thesis.