Zeitliche Kontextintegration verbessert Aktivitätserkennung in Smart Homes

Mit der weltweiten Alterung der Bevölkerung wird es immer wichtiger, älteren Menschen ein selbstständiges und sicheres Leben in ihren eigenen vier Wänden zu ermöglichen. Hier kommen allgegenwärtige Sensoren wie Passive InfraRed‑Sensoren (PIR) und Türsensoren ins Spiel, die zunehmend zur Überwachung des Alltags und zur frühzeitigen Gesundheitsvorsorge eingesetzt werden.

Die Erkennung menschlicher Aktivitäten (Human Activity Recognition, HAR) aus solchen passiven Sensoren basiert bislang vorwiegend auf klassischen Machine‑Learning‑Methoden, die Daten segmentieren, Merkmale extrahieren und klassifizieren. Während Verfahren wie Sensor Weighting Mutual Information (SWMI) bereits räumliche Zusammenhänge in den Feature‑Vektoren berücksichtigen, bleibt die effektive Nutzung von zeitlichen Informationen eine Herausforderung.

Die Autoren lösen dieses Problem, indem sie Aktivitäten in Morgen-, Nachmittags- und Nachtgruppen clustern und diese in die Feature‑Gewichtungsmethode einfließen lassen, wobei separate Mutual‑Information‑Matrixen berechnet werden. Zusätzlich erweitern sie den Feature‑Vektor um zyklische Zeitmerkmale – Uhrzeit und Wochentag – sowie ein Merkmal zur Verfolgung der Standortposition des Nutzers.

In Experimenten mit vier realen Datensätzen erzielen die neuen Ansätze eine höhere Genauigkeit und einen besseren F1‑Score als bestehende Spitzenmethoden, insbesondere in Szenarien mit begrenzten Daten. Diese Ergebnisse unterstreichen das Potenzial der Technik für effektive Smart‑Home‑Lösungen, die das „Ageing in Place“ unterstützen.