Article
Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten
Search Medline for
Authors
Published: | July 4, 2011 |
---|
Outline
Text
Es gilt heutzutage als unumstritten, dass regelmäßige körperliche Bewegungen wie z.B. Laufen, Joggen, Schwimmen, Wandern, etc. nicht nur gut für Körper und Gesundheit sind, sondern sich auch positiv auf die kognitiven Gehirnfunktionen auswirken. Diese Erkenntnis gepaart mit dem Wissen über eine zunehmend älter werdende Gesellschaft führen zu zahlreichen Forschungsthemen auf den Gebieten der Zustands- und Aktivitätserkennung sowie Bewegungsförderung, die sich unter dem Schlagwort "Ambient Assisted Living" (AAL) zusammenfassen lassen.
Dieser Beitrag stellt ein System zur Erkennung verschiedener Körperhaltungen und Aktivitäten auf der Basis eines einzelnen, an der Hüfte getragenen Beschleunigungssensors in Kombination mit Wissensbasierten Methoden zur Klassifikation vor (Abbildung 1 [Abb. 1]).
Durch eine logische Trennung zwischen der sogenannten Wissensbasis und der Verarbeitung der Sensordaten kann Wissen über die zu beobachtende bzw. überwachende Person individuell ausgetauscht und somit an den jeweiligen Benutzer individuell angepasst werden. Ermöglicht wird damit eine Adaption hinsichtlich charakteristischer Eigenschaften wie beispielsweise Geschlecht, Altersgruppe und Sensorposition.
Zur Charakterisierung unterschiedlicher Bewegungen (Gehen, Joggen, Aufstehen, Hinsetzen) und Zustände (Stehen, Sitzen, Beugen, rechts- bzw. linksseitiges Liegen, sowie Liegen auf Bauch und Rücken) werden geeignete Merkmale wie Maxima, Minima, Neigungswinkel, die Korrelation zwischen den Achsen, sowie die spektrale Energie fensterweise im Zeit- und Frequenzraum aus den drei Kanälen des Beschleunigungssensors extrahiert und für die Klassifikation genutzt. Für die Klassifikation der genannten Aktivitäten wurden die Methoden Entscheidungsbäume (Abbildung 2 [Abb. 2]), Künstlich Neuronale Netze (KNN) (Abbildung 3 [Abb. 3]) und ein hybrider Ansatz (Abbildung 4 [Abb. 4]), als eine Kombination beider, evaluiert.
Im Rahmen einer ersten Pilotstudie konnten die untersuchten Haltungen und Bewegungen bei einer geschlechtsneutralen Wissensdatenbank mit den beiden Verfahren mit einer maximalen Erkennungsrate von 88% bzw. 97% unterschieden werden. Bei der Berücksichtigung des Geschlechts konnte mit beiden Verfahren eine Klassifikationsleistung von 99% erreicht werden. Diese Ergebnisse sind bei Haltungszuständen und einfachen Bewegungsabläufen vergleichbar mit deren von Multi-Sensor Systemen (Tabelle 1 [Tab. 1]).