TU Darmstadt / ULB / TUprints

Rhythm Modelling of Long-Term Activity Data

Borazio, Marko Antonio Matteo :
Rhythm Modelling of Long-Term Activity Data.
Technische Universität, Darmstadt
[Ph.D. Thesis], (2014)

[img]
Preview
Text
Marko Borazio_PhD thesis_tuprints_v4.pdf - Accepted Version
Available under Creative Commons Attribution Non-commercial No Derivatives, 2.5.

Download (14MB) | Preview
Item Type: Ph.D. Thesis
Title: Rhythm Modelling of Long-Term Activity Data
Language: English
Abstract:

Long-term monitoring for activity recognition opens up new possibilities for deriving characteristics from the data, such as daily activity rhythms and certain quality measures for the activity performed or for identifying similarities or differences in daily routines. This thesis investigates the detection of activities with wearable sensors and addresses two major challenges in particular: The modelling of a person’s behaviour into rhythmic patterns and the detection of high-level activities, e.g., having lunch or sleeping. To meet these challenges, this thesis makes the following contributions:

First, we study different platforms that are suitable for long-term data recording: A wrist-worn sensor and mobile phones. The latter has shown different carrying behaviours for various users. This has to be considered in ubiquitous systems for accurately recognizing the user’s context. We evaluate our findings in a study with a wrist-worn accelerometer by correlating with the inertial data of a smart phone.

Second, we investigate datasets that exhibit rhythmic patterns to be used for recognizing high-level activities. Such statistical information obtained over a population is collected with time use surveys which describe how often certain activities are performed by the user. From such datasets we extract features like time and location to describe which activities are detectable by making use of prior information, showing also the benefits and limits of such data.

Third, in order to improve on the recognition rates of high-level activities from wearable sensor data only, we propose the use of the aforementioned prior information from time use data. In our approach we investigate the results of a common classifier for several high-level activities, after which we compare them to the outcome of a maximum-likelihood estimation on the time use survey data. In a last step, we show how these two classification approaches are fused to raise the recognition rates.

In a fourth contribution we introduce a recording platform to capture sleep and sleep behaviour in the user’s common environment, enabling the unobtrusive monitoring of patterns over several weeks. We use a wrist-worn sensor to record inertial data from which we extract sleep segments. For this purpose, we present three different sleep detection approaches: A Gaussian-, generative model- and stationary segments-based algorithm are evaluated and are found to exhibit different accuracies for detecting sleep. The latter algorithm is pitted against two clinically evaluated sleep detection approaches, indicating that we are able to reach an optimum trade-off between sleep and wake segments, while the two common algorithms tend to overestimate sleep. Further, we investigate the rhythmic patterns within sleep: We classify sleep postures and detect muscle contractions with a high confidence, enabling physicians to efficiently browse through the data.

Alternative Abstract:
Alternative AbstractLanguage
Langzeitaufnahmen von Sensordaten zur Aktivitätserkennung ermöglichen die Detektion von Merkmalen innerhalb dieser Daten, wie z.B. Rhythmen und Qualitätsmuster für die durchgeführten Aktivitäten. Diese Informationen können zur Bestimmung von ähnlichen oder unterschiedlichen Alltagsroutinen genutzt werden. Diese Arbeit untersucht die Erkennung von physischen Aktivitäten mit Hilfe von tragbaren Sensoren und konzentriert sich dabei auf zwei wichtige Herausforderungen: Das Modellieren von rhythmischen Mustern abgeleitet aus dem Verhalten der Personen und die Detektion von komplexen Aktivitäten, wie z.B. ’zu Mittag essen’ oder ’schlafen’. Um diese Herausforderungen anzugehen, leistet diese Arbeit folgende Beiträge: Zunächst untersuchen wir die Nutzung verschiedener Plattformen zur Langzeitdatenerfassung: Einen Handgelenksensor sowie Mobiltelefone. In Bezug auf Mobiltelefone gibt es verschiedene Trageverhalten, welche zur Kontexterkennung in ubiquitären Systemen berücksichtigt werden müssen. Wir evaluieren das Trageverhalten mittels der Korrelation von Beschleunigungsdaten des Handgelenksensors mit den Bewegungsdaten des Mobiltelefon-Sensors. Zweitens untersuchen wir Datensätze, die wiederkehrende Aktivitätsmuster aufweisen, um komplexe Aktivitäten zu erkennen. Solche statistischen Daten beziehen wir aus Zeitbudgeterhebungen die beschreiben, welche Aktivitäten zu bestimmten Zeiten von Einwohnern eines Landes ausgeführt werden. Aus diesen Datensätzen extrahieren wir Features wie Zeit und Ort, um aufzuzeigen welche Aktivitäten mit Hilfe dieser Informationen erkannt werden können. Weiterhin untersuchen wir die Vorteile und die Grenzen der Nutzung solcher Daten. Drittens verwenden wir diese statistischen Informationen zur Verbesserung der Erkennungsraten von komplexen Aktivitäten. Unsere Vorgehensweise besteht darin, die Ergebnisse der Erkennung von komplexen Aktivitäten eines üblicherweise verwendeten Klassifizierers mit denen aus der Bestimmung des Maximum-Likelihood von Aktivitäten der Zeitbudgetdaten zu vergleichen. Daraufhin vereinen wir die Ergebnisse beider Vorgehensweisen und zeigen wie die Erkennungsraten dadurch verbessert werden. Der vierte Beitrag führt ein Aufnahmesystem ein, welches das Überwachen des Schlafes und des Schlafverhaltens über mehrere Wochen in der gewohnten Umgebung des Benutzers ermöglicht. Wir verwenden dabei einen Handgelenksensor zur Erfassung von Bewegungsdaten, in denen wir Schlafsegmente detektieren. Wir stellen drei verschiedene Schlafdetektionsalgorithmen vor: Eine Gauss-, eine auf einem Generativen Modell und eine auf stationären Segmenten basierende Vorgehensweise, die verschiedene Genauigkeiten in der Erkennung des Schlafes aufweisen. Der letztere Algorithmus wird mit zwei medizinisch evaluierten Algorithmen zur Schlafdetektion verglichen. Unsere Ergebnisse zeigen, dass Schlaf- und Wach-Segmente mit unserem neuartigen Algorithmus gleich gut erkannt werden können, während die zwei üblicherweise eingesetzten Algorithmen die Schlafdauer überschätzen. Weiterhin zeigen wir, wie rhythmische Muster innerhalb des Schlafes detektiert werden können: Schlafpositionen und Muskelzuckungen werden mit einer hohen Genauigkeit erkannt, wodurch Ärzten die Möglichkeit geboten wird, die Schlafdaten effizient zu begutachten.German
Place of Publication: Darmstadt
Classification DDC: 000 Allgemeines, Informatik, Informationswissenschaft > 004 Informatik
Divisions: 20 Department of Computer Science > Embedded Sensing Systems
Date Deposited: 18 Dec 2014 08:01
Last Modified: 18 Dec 2014 08:01
URN: urn:nbn:de:tuda-tuprints-42901
Referees: Van Laerhoven, Prof. Dr. Kristof and Krüger, Prof. Dr. Antonio
Refereed: 24 November 2014
URI: http://tuprints.ulb.tu-darmstadt.de/id/eprint/4290
Export:
Actions (login required)
View Item View Item

Downloads

Downloads per month over past year