pervasive logo
Bachelor and Master Theses
Distributed Activity Recognition from Acceleration Data
Masterarbeit vom 20. January 2009; vergeben

Die Erkennung menschlicher Aktivitäten fällt in den Bereich der Kontextsensitivität von Systemen, und sie ist ein wesentlicher Baustein um Dienste an die aktuelle Situation des jeweiligen Benutzers anpassen zu können. Ein oft gewählter Ansatz ist die Verwendung von Beschleunigungssensoren, welche an verschiedenen Stellen des menschlichen Körpers angebracht werden um dessen Bewegungen aufzuzeichnen; Beispiele einfacher Aktivitäten die damit erkannt werden können sind Laufen, Gehen, Sitzen oder Stiegensteigen. Dafür werden aus den Beschleunigungsdaten innerhalb eines Zeitintervalls bestimmte Features (Mittelwert, Standardabweichung, Energie, Entropie, ...) berechnet, und anhand dieser schließlich mit Hilfe von Klassifikatoren (Support-Vektor-Maschinen, Entscheidungsbäume, Bayes-Klassifikator, ...) Aktivitäten erkannt.

Gegenstand dieser Master- oder Bakkalaureatsarbeit/en ist die Erkennung von Aktivitäten auf autonomen eingebetteten Systemen, welche miteinander vernetzt sind und am Körper des Benutzers getragen werden. Als Hardwareplattform sind dafür Sun SPOTs zu verwenden; es handelt sich dabei um kleine Java-programmierbare Bausteine die bereits über ein IEEE 802.15.4 Funkmodul zum gegenseitigen Datenaustausch, einen 3-achsigen 2G/6G Beschleunigungssensor sowie mehrere Taster und LEDs zur Ein- und Ausgabe verfügen. Die Sun SPOTs sind darüber hinaus über eine Vielzahl von analogen und digitalen Ein- und Ausgängen erweiterbar, verfügen über 4MB Flash- und 512kB RAM-Speicher und eignen sich durch ihre einfache Programmierbarkeit hervorragend zur raschen Entwicklung von Prototypen

Die Herausforderung dieser Arbeit/en besteht in der Implementierung eines verteilten Aktivitätserkennungsalgorithmus für die Sun SPOTs, welcher auf den integrierten Beschleunigungssensoren sowie einem Austausch von Sensordaten zwischen ihnen basiert. Durch die drahtlose Kommunikation ist es einzelnen SPOTs möglich, die Erkennung von Aktivitäten nicht nur von ihren eigenen Sensordaten, sondern zusätzlich von jenen anderer SPOTs die sich in Reichweite befinden - und damit auch von Relationen zwischen den eigenen und empfangenen Sensordaten - abhängig zu machen. Ein weiterer Schwerpunkt der Arbeit/en ist darüber hinaus eine experimentelle Gegenüberstellung der entwickelten mit anderen aus der Literatur bekannten Methoden zur Aktivitätserkennung, mit dem Ziel, vergleichende wissenschaftliche Aussagen über die Erkennungsrate von Aktivitäten, die Anzahl und Platzierung von Sun SPOTs am Körper sowie die Auswirkungen von Sensorausfällen machen zu können.

Ziele der Arbeit/en:

  • Systematische Aufarbeitung von Literatur zum Themengebiet.
  • Entwicklung einer Methode zur verteilten Aktivitätserkennung basierend auf Beschleunigungsdaten.
  • Implementierung eines funktionsfähigen Prototypen unter Verwendung der Sun SPOTs Plattform.
  • Durchführung von Experimenten mit unterschiedlichen Methoden zur Aktivitätserkennung, um zu wissenschaftlichen Aussagen zu gelangen.
  • Verfassen eines wissenschaftlichen Aufsatzes gemeinsam mit den Betreuern, den der/die Studierende bei Interesse auf einer internationalen Konferenz präsentieren kann. Die Kosten dafür werden vom Institut übernommen!

Anforderungen:

  • Programmierkenntnisse in Java (Java ME), Vorwissen zu maschinellem Lernen von Vorteil.
  • Interesse an der Programmierung eines verteilten eingebetteten Systems mit eingeschränkten Ressourcen.
  • Freude am kreativen, experimentellen und wissenschaftlichen Arbeiten.
  • Die schriftliche Arbeit sollte auf Englisch und bevorzugt unter Verwendung von LaTeX verfasst werden.

Rahmenbedingungen:

  • In diesem Themenkreis können mehrere Master- bzw. Bakkalaureatsarbeiten vergeben werden.
  • Die Bearbeitung einer umfangreicheren Aufgabe durch zwei oder mehrere aufeinander abgestimmte Arbeiten ist nicht nur möglich, sondern sehr willkommen!
  • Interessierten Studierenden wird eine intensive Betreuung geboten, um ihre Arbeit zügig und mit hoher Qualität fertigstellen zu können.
  • Benötigte Hard- und Software für die Umsetzung des praktischen Teils wird vom Institut bereitgestellt.

Literatur (alphabetisch):
Activity Recognition and Monitoring Using Multiple Sensors on Different Body Positions (Proceedings, 2006), Activity Recognition from Accelerometer Data (Proceedings, 2005), Activity Recognition from User-Annotated Acceleration Data (Proceedings, 2004), Activity Recognition in the Home Using Simple and Ubiquitous Sensors (Proceedings, 2004), Analyzing features for activity recognition (Proceedings, 2005), Multi-Sensor Activity Context Detection for Wearable Computing (Proceedings, 2003), On-Body Activity Recognition in a Dynamic Sensor Network (Proceedings, 2007), Physical Activity Recognition from Acceleration Data under Semi-Naturalistic Conditions (Master Thesis, 2003), Recognizing Workshop Activity Using Body Worn Microphones and Accelerometers (Proceedings, 2004), Smart-Its Friends: A Technique for Users to Easily Establish Connections between Smart Artefacts (Proceedings, 2001), Towards a Better Understanding of Context and Context-Awareness (Proceedings, 2000), Uses of accelerometer data collected from a wearable system (Journal, 2007)