Tragbare Bewegungssensoren ermöglichen die Erfassung menschlicher Aktivitäten und bilden die Grundlage der Human Activity Recognition. Der Einsatz mehrerer Inertial Measurement Units (IMUs) erlaubt eine genauere Analyse, da Bewegungen an verschiedenen Körperstellen parallel aufgezeichnet werden können. Damit einher geht jedoch die Anforderung einer zeitlichen Synchronisation dieser Sensoren, um sicherzustellen, dass Ereignisse, die in der realen Welt gleichzeitig auftreten, auch in den Sensorsignalen zeitlich ausgerichtet sind. Ohne eine gemeinsame Zeitbasis ist diese Synchronisation aufgrund von Uhrendrift, Übertragungsverzögerungen und insbesondere ungenauen Startzeitpunkten der Aufzeichnungen schwierig zu realisieren. Diese Arbeit verfolgt einen datengetriebenen Synchronisationsansatz, bei dem bewusst ausgeführte Bewegungen, sogenannte Markeraktionen (MAs), zur zeitlichen Ausrichtung von IMU-Signalen an unterschiedlichen Körperpositionen genutzt werden. Untersucht wird, welche Signalcharakteristika zu robusten Synchronisationsereignissen beitragen und wie sich die Synchronisationsleistung über verschiedene Sensorpositionen hinweg unterscheidet. In einer kontrollierten Nutzerᵢnnenstudie führen Teilnehmende acht vordefinierte MAs aus, während sie einen Motion-Capturing-Anzug mit 17 über den Körper verteilten, hardware-synchronisierten IMUs tragen. Die MAs erzeugen charakteristische Signalverläufe, die genutzt werden, um korrespondierende Ereignisse in den Sensorsignalen verschiedener Körperpositionen einander zuzuordnen. Dadurch entstehen zeitliche Verschiebungen zwischen den Sensorströmen, die mittels fensterbasierter Kreuzkorrelation auf Basis des Pearson-Korrelationskoeffizienten auf diese ereigniszentrierten Signalabschnitte geschätzt werden. Die Qualität dieser nachträglichen Synchronisation wird über die MAs und Sensorpositionen hinweg anhand statistischer Kennwerte sowie Körperkarten-Visualisierungen analysiert. Auf Grundlage der aufgezeichneten Daten konnte gezeigt werden, dass kurze, impulsartige Bewegungen mit hoher Signaldynamik zu konsistenterer und stabilerer zeitlicher Ausrichtung führen als langsame oder gleichmäßige Übergänge. Periodische oder bewegungsarme Aktionen weisen hingegen eine erhöhte Mehrdeutigkeit und Variabilität der bestimmten zeitlichen Verschiebungen auf. Während Gehen eine Genauigkeit von 4, 8 ms für eine Ganzkörpersynchronisation erreichte, zeigen Aktionen wie Klatschen eine eher lokale Wirkung und resultieren in einer Genauigkeit von 17, 0 ms, die sich auf den Oberkörper beschränkt. Diese Ergebnisse unterstreichen die Bedeutung der Auswahl geeigneter MAs und Sensorpositionen für eine robuste datengetriebene Sensorsynchronisation in Anwendungen der Aktivitätserkennung.
C. Kugler (Sun,) studied this question.