Menü

Artikel einer Informatik-Forschungsgruppe der Frankfurt UAS erhält Award des Springer-Verlags

Wie lassen sich menschliche Aktivitäten wie Stehen, Gehen, Sitzen oder Fallen mithilfe von Sensoren erfassen? Diese Frage kann etwa dann von großer Bedeutung sein, wenn es um das Erkennen von Stürzen geht – gerade für ältere Mitmenschen stellen Stürze eine erhebliche Gesundheitsgefahr dar. Die Arbeitsgruppe Human Activity Recognition (HAR) unter der Leitung von Prof. Dr. Jörg Schäfer erforscht seit mehreren Jahren die Erkennung und Klassifikation von menschlichen Aktivitäten durch Sensordaten. Für eine Veröffentlichung zu ihrer Forschung hat die Arbeitsgruppe nun den Best Paper Award 2021 des Springer-Verlags erhalten.

Gemeinsame Forschung mit Absolventen

Die Gruppe arbeitet eng mit der Forschungsgruppe WSN & IoT (Wireless and (smart) Sensor Networks & Internet of Things) von Prof. Dr. Matthias Wagner zusammen, der auch den Master-Studiengang High Integrity Systems leitet. 2019 führten drei Absolventen dieses Studiengangs, Neena Damodaran, Elis Haruni und Muyassar Kokhkharova, im Rahmen ihrer Abschlussarbeiten verschiedene Experimente rund um das Forschungsthema HAR durch. Dabei wurde unter anderem durch den geschickten Einsatz von Techniken des Maschinellen Lernens und durch clevere Signalverarbeitung eine fast hundertprozentig korrekte Erkennung von Stürzen erzielt. Die Ergebnisse veröffentlichten die Absolventen gemeinsam mit Prof. Schäfer 2020 im Springer-Journal CCF Transactions on Pervasive Computing and Interaction. „Kurz vor Weihnachten zu erfahren, dass diese Veröffentlichung als eine von drei ausgewählten Artikeln den Best Paper Award 2021 erhalten hat, war eine tolle Überraschung“, sagt Schäfer. „Über diese Anerkennung insbesondere auch der studentischen Forschungserfolge freue ich mich wirklich sehr.“

Bereits rund 6.000 Artikel-Downloads

Wie aktuell das Thema der Veröffentlichung ist, verdeutlicht die Tatsache, dass der Artikel nicht nur bereits 23 Mal zitiert worden ist (Quelle: Google Scholar), sondern auch schon rund 6.000 Mal heruntergeladen wurde (Quelle: Springer). „Die hohe Zugriffsrate ist sicherlich auch dem sogenannten Open Access Model oder ‚OA‘ geschuldet, das allen Wissenschaftlerinnen und Wissenschaftlern den Zugriff auf die Veröffentlichung ermöglicht. Es ist toll, dass wir diese OA-Option dank eines Rahmenabkommens mit Springer nutzen können“, kommentiert Schäfer. Nachfolgearbeiten zu dem ausgezeichneten Artikel sind zum Teil bereits veröffentlicht worden (siehe unten) oder in Planung.

Relevanz auch für Analyse von Industriedaten 

„In Zukunft erwarte ich weitere spannende Arbeiten“, so Schäfer, „durch die einerseits praktische Anwendungen zur Sturzerkennung ermöglicht werden und die andererseits weitere theoretische Erkenntnisse im Rahmen von Grundlagenforschung zur HAR liefern.“ Der Wissenschaftlicher weist dabei auf einen kuriosen Aspekt hin: Aus Datensicht besteht zwischen Sensordaten zur Erkennung von menschlichen Aktivitätsmustern und Sensordaten, die beispielsweise beim Betrieb industrieller Anlagen anfallen, kein wesentlicher Unterschied – es sind in beiden Fällen Zeitreihen. Vor diesem Hintergrund seien die Erkenntnisse rund um das Thema HAR ebenfalls relevant für die Forschungsgruppe „Industrial Data Science“ (Indas), in der neben Schäfer auch seine Kollegen Prof. Dr. Matthias Wagner und Prof. Dr. Dirk Stegelmeyer aktiv sind. Die Doktorandin Fatima Sajid Butt, ebenfalls Mitglied von Indas, promoviert zurzeit über Themen im Zusammenhang mit Zeitreihen.


Bei den im Text genannten Artikeln handelt es sich um folgende Veröffentlichungen:

  • Der mit dem Best Paper Award 2021 ausgezeichnete Artikel: Neena Damodaran, Elis Haruni, Muyassar Kokhkharova, and Jörg Schäfer. "Device free human activity and fall recognition using wifi channel state information (CSI)". CCF Transactions on Pervasive Computing and Interaction, 2, 1–17, 2020, doi:10.1007/s42486-020-00027-1.
  • Nachfolgearbeit: Jörg Schäfer, Baldev Raj Barrsiwal, Muyassar Kokhkharova, Hannan Adil, and Jens Liebehenschel. "Human activity recognition using csi information with nexmon". Applied Sciences, 11(19), 2021, special issue "SI: Sensor-Based Human Activity Recognition in Real-World Scenarios", 2021, doi:10.3390/app11198860.
Zentrale WebredaktionID: 4224
letzte Änderung: 01.05.2018