HAROOD: Benchmark für Out-of-Distribution-Generalisierung in sensorbasiertem HAR

Die neue Studie „HAROOD“ liefert ein umfassendes Benchmark-Framework, um die Robustheit von sensorbasierten Human-Activity-Recognition‑Modellen (HAR) gegenüber Ausreißern in realen Einsatzszenarien zu prüfen. Dabei werden vier typische Out-of-Distribution‑(OOD) Situationen – cross‑person, cross‑position, cross‑dataset und cross‑time – systematisch untersucht.

Das Testbed umfasst sechs etablierte HAR‑Datensätze, 16 Vergleichsmethoden, die sowohl CNN‑ als auch Transformer‑Architekturen nutzen, und zwei unterschiedliche Modell‑Auswahlprotokolle. Durch umfangreiche Experimente konnten die Autoren zeigen, dass kein einzelnes Verfahren in allen Szenarien konstant die besten Ergebnisse liefert. Diese Erkenntnis unterstreicht die Notwendigkeit weiterer Forschung und eröffnet große Chancen für neue, leistungsfähigere OOD‑Algorithmen.

Der Code ist modular aufgebaut und lässt sich leicht um neue Datensätze, Algorithmen und Analyse‑Tools erweitern. Die Entwickler hoffen, mit HAROOD die Forschung im Bereich OOD‑basiertes HAR zu beschleunigen. Das komplette Repository steht unter https://github.com/AIFrontierLab/HAROOD.