Kombinasjon av romlige data og mobilsensorer for bestemmelse av menneskelig aktivitet

Abstract

Helt siden antikkens Hellas har menneskelig aktivitet og bevegelser vært et tema for forskning. Utviklingen har tatt store steg og metoden har endret seg, fra forskning p˚a menneskets fysiologiske natur til informasjonsalderens bruk av teknologi. Det siste˚artusenet har teknologien vokst med stor fart. Datamaskiner, sensorer og programvare har blitt kraftigere, billigere og mer tilgjengelig. I denne oppgaven benyttes informasjonsteknologi til ˚a analysere menneskelige bevegelsesmønstre. Oppgaven er todelt; del 1 omhandler utviklingen av en applikasjon for ˚a loggføre akselerometer- og geografiske data ved mobiltelefon. I del 2 analyseres innsamlede data. I analysedelen klassifiseres dataene automatisk til klassene: stasjonær, gange, løping, sykling, kjøring og kollektivtransport. Akselerometerdata, geografiske data og kartdata kombineres ved ulike algoritmer. Egenskaper som fart, utslag til akselerometeret og plassering i miljøet gir gode indikasjoner for hva en bruker foretar seg. Kombinasjon av geolocation-, akselerometer- og kartdata har vist seg ˚a være overraskende effektivt og gitt resultater over forventning.

Human activity and motion has been a subject of research since the ancient Greece. The development has taken great steps and the methods have changed from research of human physiological nature to the use of technology in the age of information. During the last century, techonology has grown rapidly. Computers, sensors and software have become powerful, cheap and available.

In this thesis, information technology is used to analyze human activity patterns. The thesis is separated in two parts; part 1 focuses on development of an application used to collect accelerometer- and trajectorydata with cellphone. In part 2, the collected data is analyzed.

In the phase of the analysis, data is automaticly classified into the following classes: stationary, walking, running, cycling, driving and public transport. Accelerometer-, trajectory- and geospatial data is combined by different algorithms. Characteristics like speed, accelerometer values and location in the enviroment provides good indications of what a user is doing.

Combination of geolocation-, accelerometer- and geospatial data has proven to be surprisingly efficient and yielded results beyond expectations.