Search

Diese Arbeit untersucht den aktuellen Stand der Internet of Things (IoT) mit speziellem Fokus auf Wearables im Sport- und Gesundheitsbereich. Mithilfe dieser Arbeit sollen die Chancen und Herausforderungen der Wearables kompakt heruntergebrochen und verdeutlicht werden, um einen einfachen Einstieg in dieses Themengebiet zu ermöglichen. Dafür werden die theoretischen Grundlagen von IoT erläutert und die Anwendungsmöglichkeiten und Vorteile von Wearables im Sport und medizinischen Umfeld aufgezeigt. Anschließend werden die Herausforderungen des Projekts „A Real Time Artificial Intelligent System for Tennis Swing Classification“ (2021) von K. Ma mit denen des Projekts „Smart Infant-Monitoring System with Machine Learning Model to Detect Physiological Activities and Ambient Conditions“ (2020) von S. Shamsir et al. verglichen. Dabei lassen sich die Herausforderungen in Bezug auf mangelnde Datenqualität und Datenquantität aus der theoretischen Literatur, in den beiden untersuchten WearableProjekten wiedererkennen. Zu den weiteren aktuellen Herausforderungen der Wearables zählen technologische Standardisierungen, der Ausbau technischer Infrastruktur, die Energie- und Stromversorgung, der Umgang mit künstlicher Intelligenz, sowie die gesetzlichen Regulierungen in Bezug auf Datensicherheit und Datenschutz. Trotz all dieser Hürden zeigt der Trend der letzten Jahre, dass die Nachfrage an IoTGeräten und Anwendungen in der nahen Zukunft weiterhin stark ansteigen wird, woraus sich schließen lässt, dass die gesamte Menschheit früher oder später mit zumindest einigen dieser Herausforderungen direkt oder indirekt konfrontiert werden wird. This thesis examines the current state of the Internet of Things (IoT) with a special focus on wearables in the sports and health sector. With the help of this work, the opportunities and challenges of wearables are to be broken down and clarified in a compact way in order to enable an easy entry into this subject area. For this purpose, the theoretical basics of IoT are explained and the application possibilities and advantages of wearables in the sports and medical environment are shown. Then, the challenges of the project "A Real Time Artificial Intelligent System for Tennis Swing Classification" (2021) by K. Ma are compared with those of the project "Smart InfantMonitoring System with Machine Learning Model to Detect Physiological Activities and Ambient Conditions" (2020) by S. Shamsir et al. Here, the challenges related to lack of data quality and data quantity from the theoretical literature, can be recognized in the two wearable projects studied. Other current challenges of wearables include technological standardization, expansion of technical infrastructure, energy and power supply, dealing with artificial intelligence, and legal regulations related to data security and privacy. Despite all these hurdles, the trend of the last few years shows that the demand for IoT devices and applications will continue to grow strongly in the near future, from which it can be concluded that all of humanity will sooner or later be confronted with at least some of these challenges, either directly or indirectly.

Diese Arbeit beschäftigt sich mit der Vorverarbeitung der Rohdaten, die von verschiedenen Sensoren zur Erkennung menschlicher Aktivitäten (Human Activity Recognition, HAR) gesammelt werden, um sie für weitere Anwendungen bereitzustellen. Mithilfe dieser Arbeit soll ein kompakter Überblick darüber gegeben werden, wie man die relevanten „versteckten“ Informationen aus seinen Rohdaten gewinnt. Konkret werden video- und sensorbasierte Aktivitätserkennungssysteme miteinander verglichen und erläutert, weshalb sensorbasierte Systeme besser zur Aktivitätserkennung menschlicher Bewegungen geeignet sind als videobasierte Systeme. Im Kern dieser Arbeit wird in Kapitel drei und vier die Datenvorverarbeitung in sensorbasierten HAR-Systemen anhand aktueller Literatur erklärt und es werden einige Einblicke in der praktischen Handhabung von Datenvorverarbeitung anhand eines Beispielprojekts gegeben. Dafür werden die einzelnen Schritte der Datenvorbereitung erklärt, nämlich Data Cleansing, Noise Identification, Data Normalization, Data Imputation und Data Segmentation. Dabei wird darauf hingewiesen, dass ein HAR-System keine beziehungsweise keine richtigen Ergebnisse liefern kann, wenn die Daten nicht ordentlich vorbereitet werden. Das Projektbeispiel demonstriert, wie bereits bei der Aufzeichnung der Daten einige der genannten Datenvorbereitungsmethoden angewendet werden können, um weitere Probleme im Laufe des Projekts zu vermeiden. Darauf folgen die Techniken zur Datenreduzierung, beginnend mit der Auswahl der Datenmerkmale, danach die Instanzauswahl und die Diskretisierung. In diesem Abschnitt wird erklärt, dass Datenreduzierung besonders bei Projekten mit großen Datenmengen unumgänglich ist und die Qualität der Endanwendung steigert. In Kapitel fünf wird anhand der Datensegmentierung aufgezeigt, dass mit der Anpassung der Fensterüberlappung auf 65 Prozent, die Genauigkeit des Datenmodells von 67 auf 80 Prozent gesteigert werden kann. Abschließend werden die Erkenntnisse in der Conclusio präsentiert, dass die Datenvorverarbeitung ein komplexes Aufgabengebiet ist, eine große Wichtigkeit für ein gut funktionierendes HAR-System hat und, dass viele Arbeitsschritte trotzdem noch händisch durchgeführt werden müssen und nicht automatisiert werden können. This work is about the pre-processing of raw data collected by various Human Activity Recognition (HAR) sensors in order to make them available for further applications. With the help of this work, a compact overview of how to extract the relevant "hidden" information from its raw data is presented. Specifically, video- and sensor-based activity recognition systems are compared and it is explained why sensor-based systems are better suited for activity recognition of human movements than video-based systems. In the core of this thesis, chapters three and four explain the data preprocessing in sensor-based HAR systems based on current literature, and some insights into the practical handling of data preprocessing are given with an example project. For this purpose, the steps of data preparation are explained, namely Data Cleansing, Noise Identification, Data Normalization, Data Imputation and Data Segmentation. It is pointed out that HAR systems cannot provide proper results if the data is not prepared properly. The project example demonstrates how some of the mentioned data preparation methods can be applied already when recording the data to avoid further problems during the project. This is followed by the techniques for data reduction, starting with the selection of data features, then the selection of instances and discretization. In this section, it is explained that data reduction is inevitable, especially in projects with large amounts of data, and it increases the quality of the final application. Chapter five uses data segmentation to show that by adjusting the window overlap to 65 percent, the accuracy of the data model can be increased from 67 to 80 percent. Finally, the findings that data preprocessing is a complex task, has great importance for a well-functioning HAR system and, that many steps still have to be done manually and cannot be automated, are presented in the conclusion.