Smartwatches / Wearables / AAL / Mobile Computing
Der Geschäftszweig Mobile Computing, Smart Home und AAL beschäftigt sich mit der Entwicklung von Apps für verschiedene Plattformen wie Android, iOS, Tizen. Hier werden insbesondere die Themenfelder AAL (Ambient Assited Living) und der Einsatz mobiler Technologien in der Hausautomation untersucht und erforscht.
Derzeitiges Forschungsgebiet ist die Erkennung von ADLs (Aktivitäten des täglichen Lebens, activities of daily living) mit Smartwatches. Im Rahmen dieser Forschungsarbeit werden Sensordaten mit Smartwatches erfasst, klassifiziert (mit dem Statistikprogramm R und dem Datamining-Werkzeug RapidMiner) und bestimmten ADLs zugewiesen (z.B. Trinkerkennung, Sturzerkennung, Zähneputzen etc.).
|
Fragestellungen
- Können mit Smartwatches und deren Sensoren ADLs mit hinreichend hoher Genauigkeit erkannt werden?
- Welche Modelle (Neuronale Netze, Multinominale Regression, SVMs etc.) liefern die besten Ergebnisse?
- Wie viele Trainingsdaten müssen erhoben werden, um für bestimmte ADLs (z.B. Trinken, Zähneputzen) qualitativ hochwertige Modelle bestimmen zu können?
- Wie viele Sekunden müssen aufgezeichnet werden, um die ADLs sicher erfassen bzw. charakterisieren zu können?
- Ist ein personenspezifisches Training erforderlich oder können die Modelle interpersonell zu Erkennungszwecken eingesetzt werden?
- Können diese Modelle auf einer Smartwatch zur Realzeiterkennung von ADLs effizient implementiert werden?
- Welche Einschränkungen gibt es bezüglich Batterielaufzeit, Prozessorkapazität, Bildschirmgröße und wie muss eine gute Benutzeroberfläche gestaltet sein?
Erste Ergebnisse (sh. dazu auch Veröffentlichungen)
- Logistische Regressionsmodelle zur Trinkerkennung mit 39 Variablen liefern sehr gute Ergebnisse mit einer Erkennungsgenauigkeit von etwa 96% . FFT Koeffizienten bringen keine Verbesserung der Erkennungsgenauigkeit. Eine erste Implementierung auf der Sony Smartwatch erkennt Trinken ADLs mit einer Genauigkeit von etwa 85%. Der Unterschied in der Genauigkeit erklärt sich durch die Einschränkungen in den Vorverarbeitungsmöglichkeiten und verwendeter Bibliotheken auf der Smartwatch im Vergleich zu einem Standard PC.
- In Erweiterung zu [1] wurden verschiedene weitere ADLs, insbesondere Zähneputzen, Rasieren, Kämmen, Gehen etc. (ohne Berücksichtigung der Magnetometersensordaten) mit einer Samsung Gear S™ erfasst. Erste Modellläufe mit neuronalen Netzen zeigen die beste Vorhersagequalität (etwa 95% Genauigkeit mit der Einschränkung, dass die Daten von nur einer Person erfasst wurden Vor allem ADLs, die sich in ihrem Bewegungsverlauf ähneln, werden teilweise falsch zugeordnet, z.B. Haare kämmen und föhnen. Werden diese speziellen ADLs zu generalisierten ADLs zusammengefasst (Hygiene als Oberklasse zu Zähneputzen, Föhnen, Kämmen etc.), so wird diese Oberklasse fast perfekt erkannt. Anzumerken ist, dass die Daten zweier unterschiedlicher Uhren (Gear S™, Sony Smartwatch) zusammengefasst wurden, was auf Grund der unterschiedlichen Sensoren und Betriebssysteme zu einer Verschlechterung der Ergebnisse führt.
Softwareentwicklung
Apps für Smartwatches und Smartphones
Bilder
|
(c) Lustcon, Dr. Ing. Rainer Lutze
|
|
Vortrag auf der Tagung Zukunftslebensräume Frankfurt 2016
|
|
|
wearables \at \work Konferenz 2016 in München
|
Poster ADL Erkennung \wearables \at \work 2016 - PDF Version
Vortrag ADL Erkennung \wearables \at \work 2016 - PDF Version
|
Links:
wearables-at-work.de
Tagungswebsite: wearables-at-work.info - \wearables \at \work 2016
Open Source Projekt ADL Erkennung auf GitLab (Robert Baldauf)
Tagungen
IEEE Healthcom 2016:
ADL Challenge - Aufforderung zur Teilnahme
Daten nun Online unter
ADL Challenge Daten Beschreibung der Daten:
Datenaufbau
INFORMATIK 2016: Workshop Softwarearchitekturen und –entwicklung für Smartwatch und Wearable Apps: Einreichfrist bis zum 16.05.2016 verlängert!
4. Bayerischer Tag der Telemedizin: „Nach vorne schauen“: Workshop 5: Ambient Assisted Living: Selbstbestimmt leben bis ins hohe Alter dank Telemedizin, 11. Mai 2016, von 9.30 Uhr bis 17.00 Uhr im MTC, Ingolstädter Straße 45, 80807 München
Veröffentlichungen
- Marozzi M, Waldhör K (2016) Einsatz und Analyse von Wearable Technologies zur Optimierung im Ausdauersport. In: Waldhör K, Lutze R (Hrsg.) Konferenz: wearables \at \work 2016. 17.02.2016, München. FOM, Nürnberg.
- Waldhör K, Baldauf R (2015) Recognizing Drinking ADLs in Real Time using Smartwatches and Data Mining. In: Fischer S, Mierswa I, Schäfer G (Hrsg.) Proceedings of the RapidMiner Wisdom Europe (2015), RapidMiner, Aachen.
- Waldhör K, Lutze R ADL Detection Challenge at IEEE HealthCom 2016 Conference - Wearables at work. http://www.lustcon.de/WordPress/wearables-at-work/2016/03/adl-challenge/#more-390. Abruf am 2016-03-21.
- Waldhör K, Lutze R (Hrsg) (2016) Konferenz: wearables \at \work 2016. 17.02.2016, München. FOM, Nürnberg.
- Waldhör K, Lutze R (2015) Effektive Unterstützung pflegender Angehöriger durch SmartWatches. Effective Support of Care-Giving Relatives by Smartwatches. In: Ammenwerth E (Hrsg.) ENI 2015 IT im Gesundheits-, Pflege- und Sozialbereich: Qualität und Effizienz durch IT? Programm, Hall/Tirol.
- Waldhör K, Lutze R, Baldauf R (2016) ADL Erkennung mit Smartwatches: Data Mining zur Realzeiterkennung von Aktivitäten des täglichen Lebens (ADL). In: Waldhör K, Lutze R (Hrsg.) Konferenz: wearables \at \work 2016. 17.02.2016, München. FOM, Nürnberg.
- Lutze R, Waldhör K (2016) Assistenz-/Hausnotrufsystem auf Smartwatch Basis. In: Waldhör K, Lutze R (Hrsg.) Konferenz: wearables \at \work 2016. 17.02.2016, München. FOM, Nürnberg.
- Lutze R, Waldhör K (2016) Integration of Stationary and Wearable Support Services for an Actively Assisted Life of Elderly People: Capabilities, Achievements, Limitations, Prospects - A Case Study. In: Wahlster W (Hrsg.) Zukunft Lebensräume 2016. Springer, Frankfurt.
