Zusammenfassung

Die feingranulare Erkennung menschlicher Aktivitäten (Human Activity Recognition, HAR) ist heute für die Forschung äußerst interessant geworden, da sie in Bereichen wie Gesundheitswesen, Sicherheit, Sport und intelligenten Umgebungen Anwendung findet. In diesem Beitrag geben wir einen kurzen Überblick über den Stand der Technik bei Ansätzen zur feingranularen Erkennung menschlicher Aktivitäten. Wir erörtern außerdem die Merkmale, die Komplexität und die Knappheit inertialer Datensätze zu fein- und grobgranularen Aktivitäten. Um diese Knappheit zu mildern, erheben wir einen eigenen inertialen Datensatz, in dem 17 Teilnehmende 4 feingranulare Aufgaben ausführen, während sie mit einem in ein festes Objekt eingebetteten Inertialsensor (IMU) interagieren. Anschließend testen wir die gebräuchlichsten Klassifikatoren des maschinellen Lernens (z. B. kNN, XGBoost) auf dem erhobenen Datensatz und präsentieren die Ergebnisse. Schließlich zeigen wir, dass ein neuer Ansatz für die Erkennung feingranularer Aktivitäten notwendig ist, und benennen unsere künftigen Forschungsrichtungen in diesem Kontext.