Student Thesis STUD-2318

BibliographyGyörkös, Attila: Erkennung von Aktivitäten mit Hilfe mobiler Geräte.
University of Stuttgart, Faculty of Computer Science, Electrical Engineering, and Information Technology, Student Thesis No. 2318 (2011).
66 pages, german.
CR-SchemaG.3 (Probability and Statistics)
I.2.6 (Artificial Intelligence Learning)
I.4.8 (Image Processing and Computer Vision Scene Analysis)
I.5.4 (Pattern Recognition Applications)
Abstract

Systeme zur Erkennung von Aktivitäten bieten viele Anwendungsmöglichkeiten, beispiels- weise im Gesundheitswesen zur Überwachung von Patienten oder Navigation innerhalb von Gebäuden. Beschleunigungssensoren werden häufig für diese Aufgabe verwendet, da die entsprechenden Sensormodule heute klein, preiswert und weit verfügbar sind. Viele Mobil- telefone sind heute mit entsprechenden Sensormodulen ausgestattet und bieten außerdem oft weitere Sensoren, wie Magnetfeldsensoren, Gyroskope und GPS. Sie haben zudem eine ausreichend hohe Rechenleistung, um die Erkennung direkt auf dem Gerät durchzuführen. Die Verwendung dieser Hardware bietet sich also an.

In den meisten Arbeiten, die einzelne Sensoren verwenden wurden recht lange Zeitfenster verwendet, meistens 10 Sekunden oder 5 Sekunden. In dieser Arbeit soll untersucht werden wie genau sich eine Wahl von kürzeren Zeitfenstern auswirkt und bis zu welcher Fenster- größe noch gute Erkennungsraten erreicht werden können. Außerdem wurden bisher kaum betrachtete Aktivitäten untersucht: Treppen hochsteigen, Treppen hinuntersteigen, Aufzug fahren und Rolltreppe fahren.

Es werden zwei Klassifikationsverfahren gegenübergestellt: Entscheidungsbäume und Hid- den Markov Modelle. Entscheidungsbäume wurden in den vorhergehenden Arbeiten häufig verwendet, da sie gute Erkennungsraten bei wenig Rechenaufwand bieten. Da sich die ver- wendete Hardware und Datensätze natürlich von anderen Arbeiten unterscheiden, wurden hier Entscheidungsbäume als Referenzimplementierung gewählt, um eine bessere Vergleich- barkeit zu gewährleisten. Hidden Markov Modelle wurden nur in einige wenigen Arbeiten zur Klassifikation von Bewegungen verwendet. Da hier beide Verfahren auf dem selben Datensatz getestet werden, lassen sich die Ergebnisse direkt vergleichen. Weiterhin wird das untersuchte Zeitfenster für die Hidden Markov Modelle nochmals in Intervalle eingeteilt. Dieses Verfahren wurde bereits angewendet, allerdings wurden nur mäßige Erken- nungsraten von maximal 78% erreicht. Bisher wurde kaum untersucht welche Einteilung sich als am Besten erweist, deshalb werden verschiedene Verfahren auf ihre Erkennungsraten hin untersucht.

Full text and
other links
PDF (1163603 Bytes)
Department(s)University of Stuttgart, Institute of Visualisation and Interactive Systems, Intelligent Systems
Superviser(s)Möhrmann, Julia
Entry dateNovember 3, 2011
   Publ. Computer Science