TU Darmstadt / ULB / TUprints

Early Abstraction of Inertial Sensor Data for Long-Term Deployments

Berlin, Eugen (2014)
Early Abstraction of Inertial Sensor Data for Long-Term Deployments.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
Text
eberlin-dissertation-final.pdf
Copyright Information: CC BY-NC-ND 2.5 Generic - Creative Commons, Attribution, NonCommercial, NoDerivs .

Download (17MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Early Abstraction of Inertial Sensor Data for Long-Term Deployments
Language: English
Referees: Van Laerhoven, Dr. Kristof ; Amft, Prof. Dr. Oliver
Date: 5 November 2014
Place of Publication: Darmstadt
Date of oral examination: 16 October 2014
Abstract:

Advances in microelectronics over the last decades have led to miniaturization of computing devices and sensors. A driving force to use these in various application scenarios is the desire to grasp physical phenomena from the environment, objects and living entities. We investigate sensing in two particularly challenging applications: one where small sensor modules are worn by people to detect their activities, and one where wirelessly networked sensors observe events over an area.

This thesis takes a data-driven approach, focusing on human motion and vibrations caused by trains that are captured by accelerometer sensors as time series and shall be analyzed for characteristic patterns. For both, the acceleration sensor must be sampled at relatively high rates in order to capture the essence of the phenomena, and remain active for long stretches of time. The large amounts of gathered sensor data demand novel approaches that are able to swiftly process the data while guaranteeing accurate classification results. The following contributions are made in particular:

* A data logger that would suit the requirements of long-term deployments is designed and evaluated. In a power profiling study both hardware components and firmware parameters are thoroughly tested, revealing that the sensor is able to log acceleration data at a sampling rate of 100 Hertz for up to 14 full days on a single battery charge.

* A technique is proposed that swiftly and accurately abstracts an original signal with a set of linear segments, thus preserving its shape, while being twice as fast as a similar method. This allows for more efficient pattern matching, since for each pattern only a fraction of data points must be considered. A second study shows that this algorithm can perform data abstraction directly on a data logger with limited resources.

* The railway monitoring scenario requires streaming vibration data to be analyzed for particular sparse and complex events directly on the sensor node, extracting relevant information such as train type or length from the shape of the vibration footprint. In a study conducted on real-world data, a set of efficient shape features is identified that facilitates train type prediction and length estimation with very high accuracies.

* To achieve fast and accurate activity recognition for long-term bipolar patients monitoring scenarios, we present an approach that relies on the salience of motion patterns (motifs) that are characteristic for the target activity. These motifs are accumulated by using a symbolic abstraction that encodes the shape of the original signal. A large-scale study shows that a simple bag-of-words classifier trained with extracted motifs is on par with traditional approaches regarding the accuracy, while being much faster.

* Some activities are hard to predict from acceleration data alone with the aforementioned approach. We argue that human-object interactions, captured as human motion and grasped objects through RFID, are an ideal supplement. A custom bracelet-like antenna to detect objects from up to 14 cm is proposed, along with a novel benchmark to evaluate such wearable setups.

By aiming for wearable and wirelessly networked sensor systems, these contributions apply for particularly challenging applications that require long-term deployments of miniature sensors in general. They form the basis of a framework towards efficient event detection that relies heavily on early data abstraction and shape-based features for time series, while focusing less on the classification techniques.

Alternative Abstract:
Alternative AbstractLanguage

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.

German
URN: urn:nbn:de:tuda-tuprints-42250
Classification DDC: 000 Generalities, computers, information > 004 Computer science
Divisions: 20 Department of Computer Science
Date Deposited: 13 Nov 2014 13:07
Last Modified: 09 Jul 2020 00:49
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/4225
PPN: 350022615
Export:
Actions (login required)
View Item View Item