Sensor Fusion in Human Activity Recognition and Occupancy Detection

Language
en
Document Type
Doctoral Thesis
Issue Date
2020-07-13
Issue Year
2020
Authors
Zimmermann, Lars
Editor
Abstract

This thesis investigates the recognition of human activities from the position of the wrist and the feasibility of occupancy detection based on environmental sensors. In preparation to this thesis, a wrist-worn 10-axis human activity tracker combining a 3-axis accelerometer, a 3-axis gyroscope, a 3-axis magnetometer, and a barometric pressure sensor was developed. Four volunteers participated in collecting a first dataset of 190 measurements by performing ten everyday activities. An approach is introduced by which a person's energy expenditure can be estimated independently of the measurement position. Using the acceleration data obtained at the wrist, various methods for detecting cycling are presented. It is also shown that the barometer allows discriminating activities that involve a vertical displacement, such as climbing stairs or riding an elevator, as well as helps to reduce the false alarm rate of a fall detector. The potential of magnetic field sensing is derived from the signal characteristics of the magnetic interference as experienced during cycling and riding an elevator. It is demonstrated that the examined activity set can be discriminated by fusing the data of either the accelerometer and the barometer or the gyroscope and the barometer.

To detect and count occupants, an approach using a fusion of environmental sensors from an indoor air quality measurement system is presented. Environmental sensors, as opposed to motion detectors, are nonintrusive, easy to install, low cost, detect nonmoving occupants, do not have dead spots, and can even infer the number of occupants. For this study, measurements of carbon dioxide, volatile organic compounds, air temperature, and relative air humidity were conducted in four student apartments for a total of 49 days. Features were extracted from the environmental sensor data and subsets selected using correlation-based feature selection. In this thesis, a comparison of the supervised learning models RIPPER, Naı̈ve Bayes, C4.5 decision tree, logistic regression, k-nearest neighbours, and random forest is performed. Furthermore, a method is proposed to greatly reduce time and effort of collecting training data in residential buildings. The results indicate that the predictive power of volatile organic compound sensing is comparable to that of carbon dioxide. With a simple Naı̈ve Bayes classifier, the approach detected occupancy and estimated the number of occupants with an accuracy of 81.1% and 64.7%, respectively. In addition, a gas sensor test setup was developed that is capable of characterizing carbon dioxide and volatile organic compound sensors simultaneously.

Abstract

Diese Arbeit untersucht die Erkennung menschlicher Aktivitäten ausgehend von der Position des Handgelenks sowie die Machbarkeit einer Präsenzdetektion basierend auf Umweltsensoren. Als Grundlage diente ein 10-Achsen Aktivitätstracker bestehend aus einem 3-Achsen Beschleunigungssensor, einem 3-Achsen Gyroskop, einem 3-Achsen Magnetometer, und einem barometrischen Drucksensor. Vier Freiwillige haben sich durch Ausführung zehn alltäglicher Aktivitäten an der Aufzeichnung eines ersten Datensatzes mit 190 Messungen beteiligt. Zur Schätzung des Energieaufwands einer Person wird ein Ansatz vorgestellt, der auf eine beliebige Messposition anwendbar ist. Unter Nutzung der am Handgelenk gewonnenen Beschleunigungsdaten werden verschiedene Methoden zur Erkennung von Fahrradfahren präsentiert. Außerdem wird gezeigt, dass das Barometer die Unterscheidung von Aktivitäten wie Treppensteigen oder Aufzugfahren ermöglicht sowie die Fehlalarmrate einer Sturzerkennung reduzieren kann. Das Potenzial der Magnetfeldmessung wird aus den Signalcharakteristika der magnetischen Störfelder, wie sie bei Fahrrad- oder Aufzugfahren auftreten, abgeleitet. Es wird demonstriert, dass die hier untersuchten Aktivitäten mittels einer Fusion aus entweder dem Beschleunigungssensor und dem Barometer oder dem Gyroskop und dem Barometer unterschieden werden können.

Zur Detektion und Bestimmung der Personenanzahl im Raum wird ein Ansatz basierend auf der Fusion von Umweltsensoren eines Raumluftqualitätsmesssystems präsentiert. Im Gegensatz zu Bewegungsmeldern sind Umweltsensoren unaufdringlich, leicht zu installieren, kostengünstig, erkennen ruhende Personen, weisen keine Abdeckungslücken auf, und erlauben Schlussfolgerungen auf die Personenanzahl. Für diese Untersuchung wurden in vier Studentenapartments Messungen über den Gehalt an Kohlendioxid, flüchtigen organischen Verbindungen, der Lufttemperatur, und der relativen Luftfeuchte mit einer Gesamtdauer von 49 Tagen durchgeführt. In dieser Arbeit werden die Algorithmen RIPPER, Naiver Bayes, C4.5 Entscheidungsbaum, Logistische Regression, Nächste-k-Nachbarn, und Random Forest verglichen. Weiterhin wird eine Methode vorgeschlagen, die den Aufwand an Trainingsdaten in Wohngebäuden deutlich reduziert. Die Ergebnisse zeigen, dass Sensoren für flüchtige organische Verbindungen eine vergleichbare Prognosefähigkeit wie Kohlendioxidsensoren aufweisen. Mit einem Naiver Bayes Klassifikator wurde eine Genauigkeit von 81,1% bei der Präsenz und von 64,7% bei der Personenanzahl erzielt. Ferner wurde ein Prüfaufbau entwickelt, mit dem verschiedenartige Gassensoren gleichzeitig charakterisiert werden können.

DOI
Faculties & Collections
Zugehörige ORCIDs