Klassifikation von multivariaten Zeitreihendaten mit Hilfe einer Activity Recognition Chain basierend auf Machine Learning-Verfahren

Abstract

Personenbezogene Daten, die mit Hilfe von Applikationen zur Optimierung und Überwachung eigener Interessen erhoben werden, können im Bereich der Human Activity Recognition wertvolle Erkenntnisse liefern. So ist ein Teilgebiet, welches mit diesen Daten arbeitet, das Quantified Self, eine immer beliebtere Domäne im Bereich des maschinellen Lernens. So können große Datenmengen dazu beitragen sensorgestütze Applikationen zu entwickeln, die in der Lage sind Bewegungen und Aktivitäten von Peronen zu erkennen. In der vorliegenden Arbeit wird mit Daten, welche durch am Körper getragene Sensoren erhoben wurden, eine Sportübung, die Liegestütze, in ihrer Ausführungsqualität untersucht. Hierfür wurden spezielle Sensormodule, ausgestattet mit einem Gyroskop und einem Beschleunigungssensor, am Körper von Probanden angebracht und Sätze von Liegestützen bis zur Erschöpfung von diesen durchgeführt. Für die Verarbeitung dieser temporalen Datenreihen wird ein Long Short-Term Memory eingesetzt, welches in eine Activity Recogition Chain eingebunden wird. Hierfür wird zuerst eine Hyperparameteroptimierung auf den vorliegenden Daten durchgeführt um die besten Konfigurationen zu erhalten. Basierend auf dem Datensatz werden zwei weitere syntetische Datensätze im Preprocessing von diesem abgeleitet. Auf den syntetischen Datensätzen werden dann mit den errechneten Hyperparametern aus den Ursprungsdaten weitere Modelle trainiert. Schlussendlich wird eine Gegenüberstellung der Modelle für die Auswertung der Ergebnisse betrachtet. In den durchgeführten Experimenten konnte eine maximale Genauigkeit der Vorhersage von 93,92% im Trainingsverlauf erreicht werden. Dies zeigt, dass die Ausführungsqualität von Sportübungen durchaus mit Hilfe LSTMs klassifiziert werden können.

Personal data that is collected with the help of applications to optimize and monitor one’s own interests can provide valuable insights in the area of human activity recognition. One area that works with this data, the quantified self, is an increasingly popular domain in the field of machine learning. Large amounts of data can contribute to the development of sensor-based applications that are able to recognize movements and activities of people. In this Thesis, the quality of a sport exercise, the push-up, is investigated using data collected by sensors worn on the body. For this purpose, special sensor modules, equipped with a gyroscope and an acceleration sensor, were attached to the body of test subjects and sets of push-ups were performed by them until they were exhausted. A long shortterm memory, which is integrated into an activity recognition chain, is used to process these temporal data series. For this purpose, a hyper-parameter optimization is first carried out on the available data in order to obtain the best configurations. Based on the data set, two further synthetic data sets are derived from it in the preprocessing. Further models are then trained on the synthetic data sets with the hyperparameters calculated from the original data. Finally, a comparison of the models for the evaluation of the results is considered. In the experiments carried out, a maximum accuracy of the prediction of 93.92% during training could be achieved. This shows that the quality of execution of sports exercises can certainly be classified with the help of LSTMs.