Die Fortschritte in der Mikroelektronik der vergangenen Jahrzehnte führten zur Miniaturisierung von Rechnern und Sensoren. Eine treibende Kraft, diese in verschiedenen Anwendungsszenarien zu verwenden ist der Wunsch nach der Erfassung physikalischer Phänomene in der Umgebung, an Objekten und Lebewesen. Wir untersuchen den Einsatz von Sensoren in zwei besonders anspruchsvolle Anwendungsszenarien: zum Einen, wo kleine Sensormodule von Menschen getragen werden, um ihre Aktivitäten zu erkennen, und zum Anderen, wo drahtlos vernetzte Sensorknoten eine Umgebung nach relevanten Ereignissen überwachen.

Diese Arbeit nimmt einen datenorientierten Ansatz, wobei der Schwerpunkt beim Erfassen menschlicher Bewegungen und von durch Züge verursachten Vibrationen liegt. Diese werden durch Beschleunigungssensoren als Zeitreihen aufgezeichnet und sollen auf charakteristische Muster und Ereignisse untersucht werden. In beiden Szenarien müssen die Beschleunigungssensoren mit relativ hohen Raten abgetastet werden, um die Essenz der Phänomene zu erfassen, was zudem über lange Zeiträume erfolgen muss. Die dabei anfallenden sehr großen Mengen an Sensordaten verlangen nach neuen Ansätze, mit denen gewährleistet sein soll, dass die Daten schnell verarbeitet und gleichzeitig gute Klassifikationsergebnisse bei der Analyse erzielt werden. Die wissenschaftlichen Beiträge dieser Arbeit lassen sich wie folgt zusammenfassen:

* Es wird ein Gerät vorgestellt, welches Beschleunigung und Vibrationen aufzeichnet und den Anforderungen der Langzeiteinsätze entsprechend konstruiert und evaluiert wurde. Eine Untersuchung des Stromverbrauchs bezüglich verschiedener Hardware-Komponenten und Firmware-Parameter hat ergeben, dass der Sensor in der Lage ist Beschleunigungsdaten mit einer Abtastrate von 100 Hertz bis zu 14 Tage lang mit einer einzigen Akkuladung aufzuzeichnen.

* Wir schlagen eine Abstraktionsmethode vor, die das aufgezeichnete Signal effizient und genau durch lineare Segmente abstrahiert, dabei das ursprüngliche Aussehen bewahrt und zudem doppelt so schnell wie ein ähnliches Verfahren ist. Damit wird auch effiziente Mustererkennung ermöglicht, da für jedes Muster nur ein Bruchteil der Datenpunkte zu berücksichtigen ist. Eine zweite Studie zeigt, dass die Methode auf einem Datenlogger mit begrenzten Ressourcen implementiert werden kann.

* Das Szenario zur Schienenverkehrsüberwachung führt die Idee nach früher Datenabstraktion weiter aus, indem es gestreamte Vibrationsdaten auf spärlich vorkommende und komplexe Ereignisse direkt auf dem Sensorknoten untersucht. Damit lassen sich für die Überwachung relevante Informationen, wie Zugtyp oder dessen Länge, aus dem Vibrationsmuster extrahieren. Eine Studie an realen Daten hat eine Reihe von effizienten Features ergeben, auf deren Grundlage der Zugtyp und die Länge mit sehr hohen Genauigkeiten vorhergesagt werden können.

* Um eine schnelle und akkurate Aktivitätserkennung für langfristige Überwachung von bipolaren Patienten zu ermöglichen, stellen wir einen Ansatz vor, der auf der Dichte des Auftretens von Bewegungsmustern (Motif), die charakteristisch für eine Zielaktivität sind, basiert. Die relevanten Motifs werden durch die Verwendung einer symbolischen Darstellung der Sensordaten, die die Form des ursprünglichen Signals berücksichtigen, akkumuliert. Unsere umfangreiche Studie zeigt, dass ein mit den extrahierten Motifs trainierter einfacher Bag-of-Words Klassifikator ähnliche Erkennungsraten erreicht, wie traditionelle Ansätze auch, und dabei viel schneller ist.

* Einige Aktivitäten sind mit dem oben genannten Ansatz auf der alleinigen Grundlage von Beschleunigungsdaten nur sehr schwer vorherzusagen. Wir argumentieren an dieser Stelle, dass die Interaktion mit Objekten, bestehend aus der Erkennung menschlicher Bewegungen durch Beschleunigungssensoren und der Identifikation von ergriffen Objekten durch RFID, sich ideal ergänzen und die Erkennungsgüte verbessern. Wir stellen eine neu hergestellte RFID Armband-Antenne vor, mit der Objekte bis zu einer Reichweite von 14 cm erkannt werden können. Zudem stellen wir einen neuartigen Vergleichstest vor, mit dem solche tragbare Sensoren ausgewertet und verglichen werden können.

Aufgrund des in dieser Arbeit gewählten Fokus auf tragbare und drahtlos vernetzte Sensor-Systeme, sind die vorgestellten wissenschaftliche Beiträge für eine Vielzahl von besonders anspruchsvollen Anwendungen, die auf langfristigen Einsatz von Sensorknoten abzielen, relevant. Sie bilden eine Grundlage für effiziente Ereigniserkennungssysteme, die insbesondere auf frühe Datenabstraktion und die Verwendung von Signalform-Features basieren, und dabei auf weniger komplexe Klassifizierungstechniken zurückgreifen.