Erkennung menschlicher Aktivitäten auf Basis von multivariaten Zeitreihendaten mit Hilfe von Deep Learning Verfahren

Abstract

Quantified Self beschreibt das Aufzeichnen von personenbezogenen Daten, die für medizinische und sportliche Zwecke verwendet werden können. Der Bereich der Human Activity Recognition verwendet dabei verschiedene Sensoren, um Daten über menschliche Bewegungen aufzuzeichnen. Diese Daten können anschlieÿend verwendet werden, um eine künstlichen Intelligenz zu trainieren, die in der Lage ist aus den Sensordaten die Bewegungen zu erkennen und korrekt und interpretieren. Diese Arbeit untersucht einen solchen Datensatz, bei dem einfache Bewegungsaktivitäten, wie Sitzen, Stehen oder Gehen kategorisiert werden. Dazu wurden der Beschleunigungssensor und das Gyroskop eines Smartphones, das an einem Gürtel getragen wurde, aufgezeichnet und in Zeitschritten einzelnen Bewegungsaktivitäten zugeordnet. Da es sich bei den Daten um Zeitreihendaten handelt, setzt diese Arbeit ein rekurrentes neuronales Netz, speziell ein Long Short-Term Memory (LSTM) ein. Mit Hilfe des LSTMs wird ein Modell auf dem Datensatz trainiert, das in der Lage ist den zeitlichen Kontext der Datenpunkte zu berücksichtigen. Es wird erwartet, dass diese zusätzliche betrachtete Dimension dem LSTM einen Vorteil gegenüber anderen Methoden bei der Erkennung der Bewegungsaktivitäten bietet. Um das Ergebnis dieser Arbeit zu bewerten, wird das ntwickelte Modell mit den Ergebnissen anderer Arbeiten verglichen, die ebenso Modelle für den gleichen Datensatz trainierten. Die Experimente dieser Arbeit konnten eine Erkennungsrate von bis zu 98,46% erzielen. Damit zeigt das Modell einen erkennbaren Vorteil gegenüber anderen State-of-the-Art Modellen, die eine Genauigkeit von bis zu 97,70% erreichen. Die Experimente zeigen außerdem, dass die Betrachtung des zeitlichen Kontexts einen positiven Effekt hervorbringt. Damit kommt diese Arbeit zu dem Schluss, dass LSTMs ein vielversprechendes Verfahren für die Erkennung menschlicher Bewegungsaktivitäten auf dem verwendeten Datensatz sind.

Quantified Self describes the recording of person-related data that can be used for medical and athletic purposes. The eld of Human Activity Recognition uses various sensors to record data about human movements. This data can then be used to train an artificial intelligence that is able to recognize and correctly interpret the movements from the sensor data. This thesis examines a data set that categorizes simple movement activities such as sitting, standing or walking. For this purpose, the acceleration sensor and the gyroscope of a smartphone worn on a belt were recorded and assigned to individual movement activities in time steps. Since the data are time series data, this thesis uses a recurrent neural network, especially a Long Short-Term Memory (LSTM). The LSTM is used to train a model on the data set that is able to take into account the temporal context of the data points. It is expected that this additional dimension being considered will give the LSTM an advantage over other methods in detecting motion activities. In order to evaluate the result of this thesis, the developed model will be compared with the results of other studies, which also trained models for the same data set. The experiments of this work were able to achieve a detection rate of up to 98.46%. Thus, the model shows a recognizable advantage over other state-of-the-art models that reach an accuracy of up to 97.70%. The experiments also show that the consideration of the temporal context produces a positive effect. Thus, this paper concludes that LSTMs are a promising method for the detection of human motion activities on the data set used.