Smart Devices sind unterschiedlich

Die weit verbreitete Präsenz von Bewegungssensoren auf den persönlichen Mobilgeräten der Nutzer hat ein wachsendes Forschungsinteresse an der Erkennung menschlicher Aktivitäten (HAR) geweckt. Bei großangelegtem Einsatz, z.B. auf mehreren Geräten, ist die Leistung eines HAR-Systems jedoch oft erheblich niedriger als in den berichteten Forschungsergebnissen. Dies liegt unter anderem an den Unterschieden in der Hardware der Trainings- und Testgeräte sowie an den Eigenschaften ihrer Betriebssysteme. In diesem Papier untersuchen wir systematisch sensor-, geräte- und arbeitslastspezifische Heterogenitäten mit 36 Smartphones und Smartwatches, die aus 13 verschiedenen Gerätemodellen von vier Herstellern bestehen. Darüber hinaus führen wir Experimente mit neun Nutzern durch und untersuchen gängige Methoden zur Merkmalsdarstellung und Klassifikation in der HAR-Forschung. Unsere Ergebnisse zeigen, dass Heterogenitäten der On-Device-Sensoren und der Sensorhandhabung die HAR-Leistungen erheblich beeinträchtigen. Darüber hinaus variieren die Beeinträchtigungen signifikant zwischen den Geräten und hängen von der Art der verwendeten Erkennungstechnik ab. Wir bewerten systematisch die Auswirkungen mobiler Sensorheterogenitäten auf HAR und schlagen eine neuartige Clustering-basierte Milderungstechnik vor, die für den großangelegten Einsatz von HAR geeignet ist, wobei die Heterogenität der Geräte und ihrer Nutzungsszenarien intrinsisch ist.