Klassifizieren von Bewegungsabläufen mit Machine-Learning-Verfahren unter Verwendung der Movella-Dot-Sensoren

Abstract

Diese Arbeit untersucht den Einfluss verschiedener Modellarchitekturen und Optimierungsverfahren auf die Klassifikation von Human Activity Recognition (HAR) anhand von Sensordaten der Movella DOT Sensoren. Im Zentrum stehen Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), Residual Neural Network (ResNet) sowie klassische Verfahren wie Support Vector Machine (SVM) und Random Forest (RF). Neben dem Vergleich der Optimierer Adaptive Moment Estimation (Adam), Root Mean Squared Propagation (RMSprop) und Stochastic Gradient Descent (SGD) mit verschiedenen Lernraten, wird analysiert, wie sich unterschiedliche Sensorpositionen und deren Kombinationen auf die Klassifikationsgenauigkeit auswirken. Hierzu werden Sliding-Window-Techniken zur Segmentierung der Zeitreihen eingesetzt und die Ergebnisse mit Konfusionsmatrizen, Receiver-operating characteristic (ROC)-Kurven sowie Metriken bewertet. Zur Durchführung der Experimente wurde eine Graphical User Interface (GUI) implementiert, die die Auswahl von Modellen, Hyperparametern und Optimierungsverfahren ermöglicht und die Ergebnisse visualisiert. Die implementierten Modelle wurden auf verschiedenen Bewegungsabläufen trainiert und getestet, darunter Gehen, Joggen, Treppensteigen, Fahrradfahren, Liegestütze, vereinfachte Liegestütze, Bizeps-Curls, Hampelmann, Liegen und Autofahren. Zusätzlich wurden insgesamt acht Handrotationen erfasst, jeweils vier mit der linken und vier mit der rechten Hand. Dabei wurde zwischen Faust- und offener Handhaltung sowie zwischen Links- und Rechtsrotation unterschieden. Es konnte gezeigt werden, dass insbesondere CNNs und ResNets stabile und hohe Genauigkeiten erzielten, während LSTMs stark von der Wahl des Optimierers abhängig waren und klassische Verfahren wie RF solide Ergebnisse bei geringer Modellkomplexität lieferten. Fußsensoren erwiesen sich für geh-und laufbezogene Aktivitäten als besonders zuverlässig, während Handsensoren für armbezogene Bewegungen den größten Mehrwert lieferten. Damit konnte bestätigt werden, dass die gezielte Auswahl weniger Sensoren mit optimaler Platzierung für robuste Klassifikationen ausreicht. Ziel ist es, die Bedeutung der Sensorpositionen und der Hyperparameterauswahl für robuste Modelle zu charakterisieren und so Empfehlungen für die Auswahl geeigneter Modell- und Sensorkonfigurationen aufzustellen.