Detailansicht
Vom Sensor zur Klassifikation
fourierbasierte Aktivitätserkennung in Sportuhren
Sabrina Gruber
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Mathematik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Lehramt Sek (AB) Unterrichtsfach Bewegung und Sport Unterrichtsfach Mathematik
Betreuer*in
Monika Dörfler
DOI
10.25365/thesis.78654
URN
urn:nbn:at:at-ubw:1-25186.25262.995081-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die zunehmende Verbreitung von Wearables, insbesondere Sportuhren, hat die sensorbasierte Aktivitätserkennung (Human Activity Recognition, HAR) zu einem zentralen Forschungsgebiet gemacht. Etwa 30% der Europäer nutzen bereits Wearables. Während existierende HAR-Surveys primär Machine Learning-Ansätze fokussieren, fehlt eine systematische mathematische Analyse der Signaltransformationen speziell für ressourcenbeschränkte Wearable-Systeme. Diese Masterarbeit untersucht die mathematischen Transformationen und Algorithmen, die erforderlich sind, um Rohdaten von Beschleunigungssensoren in aussagekräftige Trainingsanalysen zu überführen. Im Gegensatz zu bestehenden Arbeiten, die Deep Learning-Ansätze untersuchen, liegt der Fokus dieser Arbeit auf der Fourier-Transformation als effizientem Analyseinstrument für periodische Bewegungsmuster. Die Ausnutzung der Symmetrie der Fourierreihe spielt in die Recheneffizienz der Fast Fourier Transform (FFT) hinein. Der gesamte Signalverarbeitungsprozess von der Rohsignalerfassung bis zur Aktivitätsklassifikation wird aufgearbeitet. Dabei werden die spezifischen Herausforderungen ressourcenbeschränkter Wearable-Systeme berücksichtigt, die Echtzeitverarbeitung bei minimaler Energieaufnahme erfordern. Die theoretische Analyse wird durch eine praktische Umsetzung der Sensordatenverarbeitung in MATLAB bestätigt. Diese veranschaulicht exemplarisch anhand von Lauferkennung die einzelnen Verarbeitungsschritte von der Datensegmentierung über die Frequenzanalyse und die Merkmalsextraktion bis zur Klassifikation sowie das Training eines Random Forest Klassifikators. Klassifikationsmodelle erreichen mit Frequenzdomänen-Features eine höhere Erkennungsgenauigkeit von $92.38\%$ gegenüber $83.48\%$ bei der Verwendung reiner Zeitbereichsmerkmale. Die Arbeit liefert eine umfassende mathematische Perspektive auf HAR-Systeme in Sportuhren und zeigt auf, wie die FFT trotz begrenzter Rechenkapazität eine präzise Aktivitätserkennung ermöglicht. Die Ergebnisse tragen zum Verständnis der mathematischen Fundierung moderner Aktivitätserkennung bei.
Abstract
(Englisch)
The growing popularity of wearable devices, particularly sports watches, has made sensor- based human activity recognition (HAR) a key area of research. Around 30% of Europeans already use wearable devices. While existing HAR surveys primarily focus on machine learning approaches, a systematic mathematical analysis of signal transformations for wearable systems with limited resources remains absent. This Master’s thesis investigates the mathematical transformations and algorithms required to convert raw accelerometer sensor data into meaningful training analyses. Unlike existing studies that examine deep learning approaches, this work focuses on the Fourier transform as an efficient analytical tool for identifying periodic movement patterns. The exploitation of the symmetry of the Fourier series contributes to the computational efficiency of the Fast Fourier Transform (FFT). The entire signal processing pipeline, from acquiring the raw signal to classifying the activity, is examined in detail. The specific challenges of real-time processing with minimal energy consumption in resource-constrained wearable systems are taken into account. The theoretical analysis is validated by the practical implementation of sensor data processing in MATLAB. The processing steps from data segmentation to frequency analysis, feature extraction and classification, and the training of a Random Forest classifier are exemplified. Running recognition is used as a case study. Classification models achieve a higher recognition accuracy of $92.38\%$ with frequency domain features compared to $83.48\%$ when using pure time-domain features. This work provides a comprehensive mathematical perspective on HAR systems in sports watches and demonstrates how the FFT enables precise activity recognition despite limited computational capacity. The findings contribute to the understanding of the mathematical foundations of modern activity recognition systems.
Schlagwörter
Schlagwörter
(Deutsch)
Aktivitätserkennung Fourieranalyse Sportuhren sensorbasiert Bewegungsklassifikation
Schlagwörter
(Englisch)
Human Activity Recognistion sensor based sport watch mouvement classification
Autor*innen
Sabrina Gruber
Haupttitel (Deutsch)
Vom Sensor zur Klassifikation
Hauptuntertitel (Deutsch)
fourierbasierte Aktivitätserkennung in Sportuhren
Paralleltitel (Englisch)
From sensor to classification
Paralleluntertitel (Englisch)
fourier-based activity recognition in sportwatches
Publikationsjahr
2025
Umfangsangabe
ix, 88 Seiten : Illustrationen
Sprache
Deutsch
Beurteiler*in
Monika Dörfler
Klassifikation
> 1.80 Angewandte Mathematik
AC Nummer
AC17568455
Utheses ID
76361
Studienkennzahl
UA | 199 | 500 | 520 | 02