Forscher der University of Sussex haben einen neuen Algorithmus entwickelt, der es Wearables erlaubt, ohne vorherige Dateneingabe jede Bewegung in Echtzeit aufzuzeichnen und zielsicher einer bestimmten Aktivität zuzuordnen. Durch maschinelles Lernen erhöht sich damit die Trefferquote rasant.
„Derzeitige Aktivitätserkennungssysteme versagen gewöhnlich, denn sie können nur eine zuvor festgelegte Sammlung von Aktivitäten erkennen, während menschliche Bewegungen nicht limitiert sind und sich über die Zeit hinweg verändern“, erklärt Wissenschaftler Hristijan Gjoreski. „Wir haben hier einen Zugang mit maschinellem Lernen, der neue menschliche Aktivitäten in Echtzeit erkennen kann – und rivalisierende Denkansätze aussticht.“
Hightech
Traditionelle Modelle sammeln erst einmal Informationen über die Bewegung, um abschließend abzuschätzen, was ein Nutzer getan hat. Registriert ein System Schritte, geht es etwa davon aus, dass die Person läuft. Gibt es eine Pause, ist die Aktivität des Laufens abgeschlossen. Sobald die Person wieder geht, beginnt für das System ein neuer Lauf. Der neue Algorithmus kann das hingegen unterbinden, denn er analysiert die Person in Echtzeit. Wird ein Lauf kurz unterbrochen, wartet das System.
Anwendung
Das System kann durch die registrierten Daten der Bewegungen auch abschätzen, ob der Lauf in Kürze fortgesetzt wird oder nicht – und es hält die bereits aufgenommenen Daten währenddessen in einer Art Wartestellung. Läuft die Person dann tatsächlich weiter, wird auch der vorangegangene Lauf an gestoppter Stelle fortgeführt. Der Algorithmus erkennt außerdem zuverlässig, ob der Nutzer sitzt oder steht.
„Smartwatches der Zukunft werden in der Lage sein, Aktivitäten besser zu analysieren und zu verstehen, indem sie automatisch erkennen, wenn wir uns mit einer neuen Aktivität beschäftigen. Genauso wie für Fitness- und Lifestyle-Tracker kann das System im Gesundheitswesen oder auch in der Forschung über Konsumentenverhalten eingesetzt werden“, ergänzt Forscher Daniel Roggen.
Das neue System wird diesen Monat auf dem International Symposium on Wearable Computers 2017 vorgestellt.
