Titelaufnahme

Titel
Merkmalsraum-Analyse für Human Activity Recognition
Weitere Titel
Featurespace-analysis for human activity recognition
VerfasserSchütz, Niklas
Betreuer / BetreuerinGöschka, Karl Michael
Erschienen2017
Datum der AbgabeJuni 2017
SpracheDeutsch
DokumenttypBachelorarbeit
Schlagwörter (DE)Human activity recognition / Merkmalsraum-Analyse / Merkmals-Selektion / Autoregression / Fourier Transformation
Schlagwörter (EN)Human activity recognition / Featurespace-analysis / Feature-selection / Autoregression / Fourier transformation
Zugriffsbeschränkung
 _
Klassifikation
Zusammenfassung (Deutsch)

Diese Arbeit befasst sich mit der Analyse von Merkmalen bei der Human Activity Recognition (HAR). Dabei soll vor allem die Verbesserung eines HAR-Gerätes, welches in einer vorhergehenden Arbeit entwickelt wurde und zur Früherkennung von Schlaganfällen dient, forciert werden.

Dabei wurden kurz theoretische Hintergründe zur Merkmalsextraktion aufgearbeitet um so sämtliche Merkmale zu beschreiben, welche den Merkmalsraum bilden. Aus jenem Merkmalsraum wurden zwei verschiedene Modelle entworfen. Ein Modell baute lediglich auf Autoregressions-Merkmalen auf. Dazu wurde der Autoregressions-Prozess sorgfältig modelliert. In den Tests erzielte dieses Modell jedoch sehr schlechte Ergebnisse. Das zweite Modell, welches gebaut wurde verwendete Zeitbereichs-, Frequenzbereichs- und Autoregressions-Merkmale. Hier wurde in einer Merkmalsselektion der gesamte Merkmalsraum auf ein repräsentatives Subset reduziert. Dabei konnte gezeigt werden, dass schon Subsets bestehend aus nur fünf Merkmalen sehr gute Ergebnisse erzielen. Außerdem wurde gezeigt, dass Zeitbereichs- und Frequenzbereichs-Merkmale am besten für das Modell geeignet sind. Zuletzt wurde auch die Gleitfenstergröße ermittelt. Wobei hier gezeigt wurde, dass die schon von Beginn an gewählten 40 Abtastwerte sehr gut geeignet sind, jedoch für bestimmte Merkmale andere Größen passender sind. Die Tests des zweiten Modells fielen sehr gut aus. Es konnten alle 12 angestrebten Tätigkeiten über einen Großteil der Zeit unterschieden werden.

Zusammenfassung (Englisch)

This thesis deals with the analysis of features in human activity recognition (HAR). The main focus is to improve a HAR-device for early detection of stroke. This device has been developed in a previous work.

First of all the thesis works on the theoretical background of the feature-extraction to describe all features forming the feature-space. Two different models based on this feature-space were designed. One model only consists of autoregression-features. To build this model, the autoregression-process was modeled carefully. The results of the tests that were performed with this model were very poor. The second model was built on timedomain-features, frequencydomain-features and autoregression-features. A feature-selection was performed on the feature-space to filter out a representative subset. The results of the selection have shown that subsets consisting of only five features can already create very good outcomes. The results also have shown, that timedomain- and frequencydomain-features are the most appropriate for the model. Autoregression-features didn't fit the model so well. Lastly the optimal window-size for the sliding-windows was determined. Here the tests have shown that the 40 samples, originally taken for the window-size, are the most suitable for the model. Although for some features other window-sizes are better. The second model produced very good results in the tests. It was possible to recognize 12 different activities.