Aktivitätserkennung aus Smartphone-Sensordaten

Vergleich von Klassifikationsverfahren (k-NN, SVM, Random Forest, MLP) zur Human Activity Recognition auf dem WISDM-Datensatz.

Fragestellung

Wie beeinflusst die Reaktionszeit (Fenstergröße) die Klassifikationsgenauigkeit bei der Aktivitätserkennung?

Praktische Motivation: Ein Smartphone soll in Echtzeit erkennen, welche Aktivität der Nutzer ausführt. Je schneller die Erkennung (kleineres Zeitfenster), desto weniger Sensordaten stehen zur Verfügung. Ab welcher Fenstergröße bricht die Genauigkeit ein?

Status

• Datensatz laden und verarbeiten
• Feature-Extraktion (vektorisiert)
• Experiment A: Variable Trainingssetgröße
• Experiment B: Konstante Trainingssetgröße
• Visualisierungen (Heatmaps, Accuracy-Kurven, Confusion Matrices)
• Feature Importance Analyse
• Code refactored (Hilfsfunktionen)

Datensätze

Wir verwenden zwei WISDM-Datensätze der Fordham University für Cross-Dataset-Evaluation:

Datensatz	Verwendung	Beschreibung
WISDM AR v1.1	Training	~1 Mio. Datenpunkte, 36 Probanden
WISDM AT v2.0	Test	~3 Mio. Datenpunkte, andere Probanden

• Quelle: https://www.cis.fordham.edu/wisdm/dataset.php
• Sensordaten: Accelerometer (x, y, z) bei ~20 Hz
• 6 Aktivitäten: Walking, Jogging, Upstairs, Downstairs, Sitting, Standing

Setup

# Repository klonen
git clone https://github.com/Knyllahsyhn/classifier
cd classifier

# Dependencies installieren
pip install -r requirements.txt

# Jupyter Notebook starten
jupyter notebook wisdm_experiment.ipynb

Die Datensätze werden beim ersten Start automatisch heruntergeladen.

Dateistruktur

.
├── README.md
├── requirements.txt
├── wisdm_experiment.ipynb      # Hauptnotebook mit allen Experimenten
├── experimenteller_aufbau.md   # Methodenbeschreibung für Ausarbeitung
├── kurzvorstellung.md          # Präsentationsfolien
└── data/                       # (wird automatisch erstellt)
    ├── WISDM_ar_v1.1/
    └── WISDM_at_v2.0/

Experimente

Experiment A: Variable Trainingssetgröße

Für jede Fenstergröße werden alle verfügbaren Trainingssamples verwendet. Kleinere Fenster erzeugen mehr Samples.

Experiment B: Konstante Trainingssetgröße

Trainingssamples werden auf eine fixe Anzahl reduziert (stratifiziertes Sampling), um den Effekt der Fenstergröße isoliert zu betrachten.

Fenstergröße	Reaktionszeit	Trainingssamples (A)	Trainingssamples (B)
50	2.5s	~40.000	~5.400
100	5.0s	~20.000	~5.400
200	10.0s	~10.000	~5.400
400	20.0s	~5.400	~5.400

Beide Experimente testen auf dem AT-Datensatz (Cross-Dataset-Evaluation).

Klassifikatoren

Verfahren	Konfiguration
k-Nearest Neighbors	k=5
Support Vector Machine	RBF-Kernel, C=1.0
Random Forest	100 Bäume
Multilayer Perceptron	128-64 Neuronen, Early Stopping

Features (33 pro Sample)

Für jede Achse (x, y, z):

• Mean, Std, Min, Max, Range
• Median, Skewness, Kurtosis
• RMS, Absolute Differenzensumme

Magnitude-Features:

• mag_mean, mag_std, mag_range

Generierte Plots

Das Notebook erzeugt folgende Visualisierungen im output/-Verzeichnis:

Datei	Beschreibung
exp_a_accuracy.png	Accuracy-Kurven Experiment A
exp_a_heatmap.png	Heatmap Experiment A
exp_b_accuracy.png	Accuracy-Kurven Experiment B
exp_b_heatmap.png	Heatmap Experiment B
accuracy_difference.png	Differenz A - B
comparison_bars.png	Balkendiagramm A vs B
training_time_comparison.png	Trainingszeiten
f1_score_comparison.png	F1-Scores
confusion_matrix.png	Confusion Matrix (einzeln)
confusion_matrix_comparison.png	Confusion Matrix A vs B
feature_importance.png	Top 15 Features
feature_importance_categories.png	Importance nach Kategorie
feature_importance_heatmap.png	Importance über Fenstergrößen

Quellen

Kwapisz, J.R., Weiss, G.M. and Moore, S.A. (2010). Activity Recognition using Cell Phone Accelerometers. Proceedings of the Fourth International Workshop on Knowledge Discovery from Sensor Data (at KDD-10), Washington DC.

Autoren

Gruppe KiBeMu – OTH Regensburg, WS 2025/26