Künstliche Intelligenz fur ortsbasierte Dienste - Lehrstuhl für Mobile ...

Es gibt verschiedene Ansätze und Methoden um Aktionen zu erkennen. Die meisten jedoch,
wie beim Maschinenlernen üblich, nutzen die in Abschnitt 3 beschriebenen Methoden.
Bestimmte High-Level-Aktivitäten anhand der Beobachtung von Low-Level-Aktivitäten
zu erkennen, beschreibt die Arbeit von Blanke und Schiele (2009) [BS09]. Die Arbeit ist
dabei hauptsächlich auf das Auswerten von Daten fokussiert. Hierbei kommen Boosting-
Methoden zum Einsatz. Die Low-Level-Aktionen stellen in diesem Falle die schwachen
Regeln dar, mithilfe derer eine Hypothese gefunden werden soll, die die High-Level-
Aktivität beschreiben kann.
Die Sensordaten auf die sie in ihrer Arbeit zurückgreifen repräsentieren Low-Level-Aktivitäten
und deren Häufigkeit. Als ersten Schritt wenden sie auf die Sensordaten Unsupervised
Learning-Methoden an um die Daten zu clustern. Damit können sie die Aktivitäten ihrem
Aufkommen nach zusammenfassen. Diese werden dann zusätzlich in bestimmte Zeitfenster
zusammengefasst, die dann als Input für das Boosting dienen. Sie versuchen hiermit
die Aktivität anhand der in einem gewissen Zeitraum am häufigsten gemessenen Low-
Level Aktionen festzustellen. In ihrer Arbeit stellen die Forscher fest, dass Joint Boosting
in ihren Tests die Rechenleistung signifikant reduziert, da die schwachen Regeln klassenübergreifend
geteilt werden können.
Die Daten erfassen Blanke und Schiele (2009) über dreidimensionale Beschleunigungssensoren,
welche die Probanden sieben Tage am Handgelenk und in ihrer Hosentasche
trugen [BS09]. Dabei sollten die vier Routinen Abendessen, Pendeln, Mittagessen und
Büroarbeiten erkannt werden. Diese sollten anhand von 34 gelabelten Low-Level-Aktionen,
von denen 24 Teil der Routinen waren, erkannt werden. Zum Beispiel gehörten zur Routine
Abendessen die Aktionen: Essen vorbereiten, Essen essen und Abwaschen. Sie kamen
zu dem Schluss, dass diese Methode brauchbare Resultate liefert und, dass schon
überraschend geringe Datenmengen zur Unterscheidung von Routinen wie Abendessen
und Pendeln ausreichen.
4.2 Aktionserkennung über Körper-Modell
Im Gegensatz dazu legen Zinnen et al. (2009) ihren Fokus auf das Messen der Minimal-
Aktionen [AZS09]. Sie stellen fest, dass mit den bisherigen Signal-basierten Methoden,
wie der Messung mit Beschleunigungssensoren gerade kurze und seltene Bewegungen
nur schwer erkannt werden können. Ihre Aktionserkennung basiert auf einem Modell des
menschlichen Körpers und soll dadurch robuster sein, da die zu erkennenden Aktivitäten
schließlich von Körperbewegungen abgeleitet sind. Neben den Körperbewegungen wie
Hand heben, Körper drehen oder Arm drehen beziehen sie ebenfalls die Körperhaltung
sowie Standortinformationen mit ein. Schließlich wollen sie ihre Methode anhand von
Aktionen einer Autoinspektion wie Kofferraum öffnen oder Lack auf Kratzer untersuchen
überprüfen.
Sie plazieren dazu an mehreren Stellen des Körpers eines Probanden Sensoren. Während
Beschleunigungssensoren nur Veränderungen in der Bewegung messen, also ob sich ein
Sensor bewegt, können mit der Erfassung des ganzen Körpers absolute Bewegungen fest-