Zusammenfassung
Diese Arbeit beschäftigt sich mit dem Problem der Aktivitätserkennung unter Verwendung von Daten, die vom Mobiltelefon des Benutzers erhoben wurden. Wir beginnen mit der Betrachtung und Bewertung der Beschränkungen der gängigen Aktivitätserkennungsansätze für Mobiltelefone. Danach stellen wir unseren Ansatz zur Erkennung einer großen Anzahl von Aktivitäten vor, welche die meisten Nutzeraktivitäten abdeckt. Außerdem werden verschiedene Umgebungen unterstützt, wie zum Beispiel zu Hause, auf Arbeit und unterwegs. Unser Ansatz empfiehlt ein einstufiges Klassifikationsmodell, dass die Aktivitäten genau klassifiziert, eine große Anzahl von Aktivitäten umfangreich abdeckt und in realen Umgebungen umsetzbar anzuwenden ist. In der Literatur gibt es keinen einzigen Ansatz, der alle drei Eigenschaften in sich vereint. In der Regel optimieren vorhandene Ansätze ihre Modelle entweder für einen oder maximal zwei der folgenden Eigenschaften: Genauigkeit, Umfang und Anwendbarkeit. Unsere Ergebnisse zeigen, dass unser Ansatz ausreichende Leistung im Hinblick auf Genauigkeit bei einem realistischen Datensatz erbringt, trotz deutlich erhöhter Aktivitätszahl im Vergleich zu gängigen Modellen, die auf Aktivitätserkennen basieren.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literatur
[1] Wang, Yi, et al. “A framework of energy efficient mobile sensing for automatic user state recognition.” Proceedings of the 7th international conference on Mobile systems, applications, and services. ACM, 2009.
[2] Hwang, Kyuwoong, and Soo-Young Lee. “Environmental audio scene and activity recognition through mobile-based crowdsourcing.” Consumer Electronics, IEEE Transactions on 58.2, 2012, 700-705.
[3] Lu, Hong, et al. “The Jigsaw continuous sensing engine for mobile phone applications.” Proceedings of the 8th ACM Conference on Embedded Networked Sensor Systems. ACM, 2010.
[4] Yan, Zhixian, et al. “Semantic Activity Classification Using Locomotive Signatures from Mobile Phones.”, 2012..
[5] Imtiaz, Subha, and Shakil Ahmad. “Impact Of Stress On Employee Productivity, Performance And Turnover; An Important Managerial Issue.” International Review of Business Research Papers 5.4, 2009, 468-477.
[6] Young-Seol Lee and Sung-Bae Cho. “Activity Recognition Using Hierarchical Hidden Markov Models on a Smartphone with 3D Accelerometer.” Hybrid Artificial Intelligent Systems,– Springer, 2011.
[7] H. C. Yang, Y. C. Li, Z. Y. Liu and J. Qiu, “HARLib: A human activity recognition library on Android,” Wavelet Active Media Technology and Information Processing (ICCWAMTIP), 11th International Computer Conference on, Chengdu, 2014, pp. 313-315.
[8] M. Hall, E. Frank, G. Holmes, B. Pfahringer, P. Reutemann and I. H. Witten: “The WEKA data mining software : an update”, SIGKDD Explorations, V. 11, number 1, 2009, Pages 10-18.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2017 Springer Fachmedien Wiesbaden GmbH
About this paper
Cite this paper
Hajj, W.E., Brahim, G.B., El-Hayek, C., Hajj, H. (2017). Feature Extraction and Large Activity-Set Recognition Using Mobile Phone Sensors. In: Haber, P., Lampoltshammer, T., Mayr, M. (eds) Data Science – Analytics and Applications. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-19287-7_9
Download citation
DOI: https://doi.org/10.1007/978-3-658-19287-7_9
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-19286-0
Online ISBN: 978-3-658-19287-7
eBook Packages: Computer Science and Engineering (German Language)