Human Activity Recognition in Daily Life and Sports Using Inertial Sensors

dc.contributorEskofier, Bjoern M.
dc.contributorLaerhoven, Kristof van
dc.contributor.advisorEskofier, Bjoern M.
dc.contributor.authorSchuldhaus, Dominik
dc.date.accessioned2019-11-27
dc.date.available2019-11-26
dc.date.created2019
dc.date.issued2019-11-27
dc.description.abstractHuman Activity Recognition (HAR) deals with the automatic recognition of physical activities and plays a major role in the health and sports sector. Knowledge about the performed activities can be used to monitor compliance regarding physical activity recommendations, investigate the causes of physical activity behavior, implement sport-specific training programs, and replicate the physical demands during sport competition. Currently available tools for HAR often rely on questionnaires which involve problems in the reliability when recalling activities. In this thesis, algorithms for HAR are introduced and evaluated which apply machine learning techniques to inertial sensor data. Daily as well as sport-specific activities are considered including sitting, washing dishes, climbing stairs, and kicking in soccer. Besides the development and implementation of algorithms, mandatory extensions regarding the design of HAR systems are further identified and future research directions are provided.en
dc.description.abstractDie automatische Erkennung menschlicher Aktivität spielt eine große Rolle im Gesundheits- und Sportsektor. Das Wissen über die Aktivität, die durchgeführt wird, kann verwendet werden, um die Einhaltung von Empfehlungen hinsichtlich körperlicher Aktivität zu überprüfen, die Ursachen des Aktivitätsverhaltens zu untersuchen, für einen Sport spezifische Trainingsprogramme zu implementieren und die körperlichen Anforderungen, die in einem sportlichen Wettkampf vorkommen, nachzubilden. Derzeitig zur Verfügung stehende Systeme zur Aktivitätserkennung beruhen oftmals auf Fragebögen. Fragebögen zu benutzen beinhaltet das Problem, dass man sich nicht zuverlässig an die Aktivität, die durchgeführt wurde, erinnert. In dieser Doktorarbeit werden Algorithmen zur sensorbasierten Aktivitätserkennung vorgestellt und evaluiert, die Techniken des Maschinellen Lernens auf Inertialsensor-Daten anwenden. Die automatische Erkennung von Alltags- und Sportaktivitäten bildet dabei den Fokus. Beispiele für Aktivitäten sind Sitzen, Geschirrspülen, Treppen steigen und Schießen im Fußball. Neben der Entwicklung und Implementierung von Algorithmen, werden notwendige Design-Erweiterungen von Aktivitätserkennungssystemen identifiziert und zukünftige Forschungsrichtungen aufgezeigt.de
dc.format.extentxvii, 266 Seiten
dc.identifier.doihttps://doi.org/10.25593/978-3-96147-226-0
dc.identifier.isbn978-3-96147-226-0
dc.identifier.opus-id12466
dc.identifier.urihttps://open.fau.de/handle/openfau/12466
dc.identifier.urnurn:nbn:de:bvb:29-opus4-124662
dc.language.isoen
dc.publisherFAU University Press
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/deed.de
dc.subjecthuman activity recognition
dc.subjectinertial sensors
dc.subjectmachine learning
dc.subjectpattern recognition
dc.subjectsignal analysis
dc.subjectwearable computing systems
dc.subjectdaily activities
dc.subjectsoccer activities
dc.subject.ddcDDC Classification::0 Informatik, Informationswissenschaft, allgemeine Werke :: 00 Informatik, Wissen, Systeme :: 004 Datenverarbeitung; Informatik
dc.subject.ddcDDC Classification::0 Informatik, Informationswissenschaft, allgemeine Werke :: 00 Informatik, Wissen, Systeme :: 006 Spezielle Computerverfahren
dc.titleHuman Activity Recognition in Daily Life and Sports Using Inertial Sensorsen
dc.titleErkennung Menschlicher Aktivität im Alltag und Sport unter Verwendung von Inertialsensorende
dc.typedoctoralthesis
dcterms.publisherFAU University Press
local.date.accepted2019-02-12
local.notesOpusParallel erschienen als Druckausgabe bei FAU University Press, ISBN: 978-3-96147-225-3
local.publisherplaceErlangen
local.sendToDnbfree*
local.series.id28
local.series.nameFAU Studien aus der Informatik
local.series.number8
local.subject.fakultaetTechnische Fakultät
local.subject.gndMonitoring
local.subject.gndMaschinelles Lernen
local.subject.gndBeschleunigungssensor
local.subject.gndGyroskop
local.subject.gndData Mining
local.subject.gndMustererkennung
local.subject.gndSignalverarbeitung
local.subject.gndBody Area Network
local.subject.gndBig Data
local.subject.gndAlltag
local.subject.gndFußball
local.subject.sammlungUniversität Erlangen-Nürnberg / FAU University Press
local.thesis.grantorFriedrich-Alexander-Universität Erlangen-Nürnberg (FAU) Technische Fakultät
Files
Original bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
12466_Schuldhaus_Diss_OPUS.pdf
Size:
11.5 MB
Format:
Adobe Portable Document Format
Description:
Faculties & Collections