Multi-Label-Lernen zur Aktivitätserkennung

Fortschritte in der allgegenwärtigen und ubikuitären Informatik haben zur Entwicklung von Sensoren geführt, die leicht im natürlichen Lebensraum eines Menschen eingesetzt werden können, um aktivitätsbezogene Daten zu erheben. Das Ableiten bedeutungsvoller Aktivitätsinformationen aus Sensordaten ist jedoch nach wie vor ein herausforderndes Problem. Dieses Papier befasst sich mit dem Problem der Ableitung von Aktivitäten, die gleichzeitig von mehreren Bewohnern in einem Smart Home oder von einem einzelnen Bewohner, der mehrere Aktivitäten gleichzeitig ausführt, durchgeführt werden. Es formuliert dieses Problem als Lernen mehrerer Aktivitätslabels aus einer Sequenz von Sensordaten. Es untersucht die Eignung von Multi-Label-Lernalgorithmen, die von Entscheidungsbäumen inspiriert sind, als vorgeschlagene Lösung für das Problem. Die Ergebnisse aus Experimenten an vier Benchmark-Multi-Residenten-Aktivitätsdatensätzen zeigen eindeutig die Überlegenheit von Ansätzen, die auf Ensemble-Methoden von Entscheidungsbäumen (Random Forests) basieren, für das Multi-Label-Lernen.