gms | German Medical Science

GMDS 2013: 58. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

01. - 05.09.2013, Lübeck

Aktivitätserkennung für Ambient Health Monitoring

Meeting Abstract

Search Medline for

  • Daniel Burmeister - Universität zu Lübeck, Institut für Telematik, Lübeck, DE
  • Andreas Schrader - Universität zu Lübeck, Institut für Telematik, Lübeck, DE

GMDS 2013. 58. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS). Lübeck, 01.-05.09.2013. Düsseldorf: German Medical Science GMS Publishing House; 2013. DocAbstr.204

doi: 10.3205/13gmds017, urn:nbn:de:0183-13gmds0173

Published: August 27, 2013

© 2013 Burmeister et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Einleitung und Fragestellung: Ein wesentlicher Bestandteil von Ambient Assisted Living (AAL)-Dienstleistungen ist die (semi-)automatische Erfassung von Parametern in einem Personal Health Record (PHR). Das Spektrum umfasst u.a. die Spezifikation persönlicher Präferenzen, die Messung von Vitalwerten und die Erfassung von Aktivitäten in SmartHomes [1]. Die Beobachtung des Mobilitätsverhaltens kann ein zusätzlicher Anhaltspunkt für den Gesundheitszustand einer Person sein und entsprechend einen altersgerechten und autonomen Lebensstil unterstützen. Hierfür sind bereits dedizierte Geräte verfügbar. Wir untersuchten die Möglichkeiten, Aktivitäten automatisch mit Hilfe von handelsüblichen Smartphones in beliebigen Umgebungen zu erkennen. Neben der Identifikation geeigneter Sensoren wurden verschiedene Methoden zur Erkennung von Aktivitäten auf ihre Eignung hin untersucht, in einer Android-Anwendung implementiert und in einem Nutzertest evaluiert.

Material und Methoden: Im Rahmen eines qualitativ-fokussierten Interviews wurden die folgenden Aktivitäten des täglichen Lebens als relevant identifiziert: Gehen, Laufen, Stehen, Sitzen, Radfahren Treppe hoch und hinunter gehen. Eine Analyse des State-of-the-Arts stellte die Eignung des Accelerometers ur Erkennung von Aktivitäten mit hohem Bewegungsaufkommen heraus. Zur Optimierung der Diskriminierbarkeit von Aktivitäten mit geringem Bewegungsaufkommen ist es denkbar, dass auch die Lage des Smartphones von Relevanz ist. Daher wurden für die genannten Aktivitäten Trainingsdaten für einen Zeitraum von 120 Sekunden für das Accelerometer und Gyroskop gesammelt, während das Smartphone in der Hosentasche getragen wurde. Um Messungenauigkeiten vorzubeugen, wurden die Start- und Endsequenzen der Messungen visualisiert und bei Abweichungen gekürzt. Auf Basis dieser bereinigten Daten wurde eine achsenweise Merkmalsextraktion der Daten jedes Sensors mit verschiedenen Fenstergrößen von 1, 2 und 3 Sekunden durchgeführt. Diese 42 Merkmale wurden geeignet transformiert und in der Datamining-Software WEKA [2] verwendet, um insgesamt 12 Klassifikatoren anhand einer 10-fach gefalteten Kreuzvalidierung auf ihre Eignung hin zu untersuchen. Unter Berücksichtigung einer ausreichend hohen Genauigkeit jeder einzelnen Aktivität erwies sich der C4.5-Algorithmus [3] bei einer Fenstergröße von 2 Sekunden während des Offline-Trainings als am besten für eine Aktivitätserkennung geeignet. Resultierend wurde dieser Algorithmus unter Verwendung des entsprechenden WEKA-Frameworks in Form eines Plug-Ins für das Ambient Dynamix-Framework [4] realisiert [5].

Ergebnisse: Zur Evaluation der Genauigkeit des Klassifikators wurden die trainierten Aktivitäten über einen Zeitraum von 60 Sekunden unter denselben Bedingungen wie in der Trainingsphase durchgeführt. Zur Erhebung dieser Daten wurde eine Software entwickelt, welche die erkannten Aktivitäten über die definierte Dauer in einer Statistik für eine detaillierte Auswertung festhält. Insgesamt konnte eine durchschnittliche Genauigkeit bei der Aktivitätserkennung von 90% erreicht werden. Während der Klassifikator für Aktivitäten Gehen(94%), Radfahren(96%), Stehen(92%), Sitzen(96%) und Treppe hoch gehen (93%) eine hohe Genauigkeit aufwies, ließ diese bei den Aktivitäten Laufen (82%) und Treppe hinunter gehen(78%) nach. Eine nähere Betrachtung der aufgestellten Konfusionsmatrix zeigte, dass die Aktivität Treppe hoch gehen die geringste Sensitivität besitzt und somit die Genauigkeit bei der Erkennung anderer Klassen beeinträchtigt.

Diskussion: Es konnte gezeigt werden, dass die zusätzliche Verwendung des Gyroskops eine Aktivitätserkennung auch bei Aktivitäten mit geringem Bewegungsaufkommen ermöglicht. Die Genauigkeit dieser Erkennung könnte im Allgemeinen durch gegenseitigen Ausschluss von unwahrscheinlich aufeinander folgenden Aktivitäten optimiert werden. Die hierfür notwendigen Werkzeuge wurden im Rahmen dieser Arbeit geschaffen und ließen sich, ebenso wie ein selbstlernender Algorithmus, mit annehmbarem Aufwand realisieren.


Literatur

1.
Carlson D, Rothenpieler P, Schrader A. An Open Infrastructure and Platform for AAL Services. In: International Conference on Distributed, Ambient and Pervasive Interactions (DAPI’13). Las Vegas, USA: HCI International; 2013. p. 21–26.
2.
Hall M, Frank E, Holmes G, Pfahringer B, Reutemann P, Witten IH. The WEKA data mining software: an update. SIGKDD Explor Newsl. 2009 Nov;11(1):10–18.
3.
Quinlan RJ. C4.5: programs for machine learning. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc.; 1993.
4.
Carlson D, Schrader A. Dynamix: An Open Plug-and-Play Context Framework for Android. In: 3rd International Conference for Industry and Academia (Internet of Things 2012), Wuxi, China; 2012. p. 24–26.
5.
Burmeister D. Aktivitätserkennung für Ambient Health Monitoring [unveröffentlichte Masterarbeit]. Institut für Telematik der Universität zu Lübeck; 2012.