Physikalisch plausibles Data Augmentation steigert Wearable-IMU-HAR

In der Forschung zum Human Activity Recognition (HAR) mit Wearable‑Sensoren ist die Verfügbarkeit hochwertiger, beschrifteter Daten ein entscheidendes Hemmnis. Ohne ausreichende Daten kann ein Modell kaum zuverlässig in realen Situationen funktionieren. Um diesem Problem entgegenzuwirken, setzen Entwickler häufig auf Data Augmentation – die künstliche Erweiterung des Trainingsdatensatzes.

Traditionelle Techniken, die auf Signaltransformationen basieren, sind zwar weit verbreitet, jedoch oft physikalisch unrealistisch. Sie können die ursprüngliche Bedeutung der Aktivitätslabels verfälschen und damit die Lernqualität des Modells beeinträchtigen. In einer neuen Studie wurde ein Ansatz namens Physically Plausible Data Augmentation (PPDA) vorgestellt, der auf physikalischer Simulation beruht.

PPDA nutzt Bewegungsdaten aus Motion‑Capture‑ oder Video‑Pose‑Erkennungssystemen und integriert realistische Variabilitäten wie unterschiedliche Körperbewegungen, Sensorplatzierungen und hardware‑spezifische Effekte. Durch die Kombination mehrerer PPDA‑Methoden konnte die Notwendigkeit für umfangreiche Datensammlungen reduziert werden. In Tests an drei öffentlichen Datensätzen für Alltagsaktivitäten und Fitnessübungen zeigte PPDA einen durchschnittlichen Anstieg des Macro‑F1‑Scores um 3,7 pp – in einigen Fällen sogar um 13 pp – und erreichte vergleichbare Leistungen mit bis zu 60 % weniger Trainingspersonen als bei herkömmlichen Signal‑Transformation‑Methoden.

Diese Ergebnisse markieren den ersten systematischen Vergleich von physikalisch plausiblen und klassischen Data‑Augmentation‑Ansätzen im Bereich Wearable‑IMU‑HAR. Sie legen nahe, dass die Einbindung realistischer Simulationen die Qualität von Trainingsdaten signifikant verbessern und die Abhängigkeit von großen, manuellen Datensammlungen verringern kann.