Titelaufnahme

Titel
Aktivitätserkennung und Sturzdetektion mittels Android-App
Weitere Titel
Android-based activity and fall detection app
AutorInnenHudribusch, Peter Lucas
GutachterEngelmann, Gerhard
Erschienen2016
Datum der AbgabeJuni 2016
SpracheDeutsch
DokumenttypBachelorarbeit
Schlagwörter (DE)Aktivitätserkennung / Android / Bewegungserkennung / Smartphone / Sturzdetektion / Sturzerkennung
Schlagwörter (EN)Activity-detection / Android / Fall-detection / Mobile / Movement / Smartphone
Zugriffsbeschränkung
 _
Klassifikation
Zusammenfassung (Deutsch)

Durch die hohe Verbreitung von Smartphones ist es möglich, diese Geräte für viele verschiedene Dienste und Anwendungen zu verwenden. In der Arbeit [HUD16] wurde bereits die Möglichkeit der Sturzdetektion mittels Android-App implementiert und auf einem Smartphone getestet. Damit wurde gezeigt, dass eine Sturzdetektion mit einer Android-App möglich ist.

In dieser Arbeit wurde eine Erweiterung dieser Android-App durchgeführt, um damit auch verschiedene Aktivitäten zu erkennen. Dabei wurde eine Unterscheidung in Gehen, Sitzen und Stehen durchgeführt. Alle nicht erkannten Aktivitäten werden entweder in die allgemeine Kategorie Bewegung oder die Kategorie Ruhe unterteilt.

Im Zuge des Testens der Implementierung wurde gemessen, wie oft die Android-App die korrekte Bewegung erkannte. Dabei wurde festgestellt, dass bei einem Testzeitraum von fünf Minuten und 18 Sekunden die Android-App zu 86,79% Sitzen richtig erkannt hat. Stehen konnte in einem Zeitraum von fünf Minuten und 12 Sekunden zu 97,12% korrekt erkannt werden. Gehen ist bei einem Testzeitraum von elf Minuten und 28 Sekunden zu 81,78% als Gehen erkannt worden.

Während des Testens wurde auch ermittelt, wie sich die Verwendung der Android-App auf den Verbrauch von Datenvolumen und den Akkuverbrauch auswirkt. Dabei wurde im Bereich des Akkuverbrauchs kein hoher Verbrauch festgestellt werden, welcher die Nutzungsdauer des Smartphone erheblich verkleinern würde. Der Verbrauch des Datenvolumens liegt zwischen 175,36KB (bei minimalem Verbrauch und sechs Stunden Nutzungsdauer) und bis zu 1.948,98KB (bei maximalem Verbrauch und zehn Stunden Nutzungsdauer).

Durch eine Erweiterung der Sturzdetektion aus [HUD16] werden keine False-positives mehr bei Situationen des Alltags erkannt. Bei der Erkennung von Stürzen wurden 100% der simulierten Stürze auf den Oberkörper korrekt erkannt, bei einer Simulation von Stürzen auf den Oberkörper mit vorherigem Fallen auf die Knie nur noch 75%.

Zusammenfassung (Englisch)

Due to a high distribution of smartphones, it is possible to use these devices for various services and applications. The possibility of fall detection with an Android-app was discussed in paper [HUD16]. It was determined that fall detection is possible with smartphones.

This bachelor thesis deals with an enhancement of the Android-app which was introduced in [HUD16]. This app is now able to detect various activities of a person. These activities are walking, sitting and standing. If the activity is not recognized, it will be grouped either in resting or moving. During testing the app was able to detect sitting in 86.79% of the testing time of 5 minutes and 18 seconds. Standing was detected in a period of 5 minutes and 12 seconds 97.12% of the time correctly. 81.78% of a period of 11 minutes and 28 seconds, walking was recognized correctly.

During testing of the app, the battery and data usage was also tested. Using the app does not cause a massive drain of the battery, considering that the app is always active in the background. Data usage is between 175.36KB, at lowest usage during a 6 hour period, and 1,948.98KB, at highest usage during a 10 hour period.

With a small enhancement of the fall detection algorithm of [HUD16] the app is now able to detect all situations of daily living without causing false-positives. This enhancement also brought a change to the detection of falls. 100% of the simulated falls on the upper part of the body were recognized correctly, but only 75% of the falls on the upper part of the body with a prior fall on the knees were detected correctly.

Statistik
Das PDF-Dokument wurde 0 mal heruntergeladen.