Unobtrusive Activity Recognition in Resource-Constrained Environments

• This thesis discusses activity recognition from a perspective of unobtrusiveness, where devices are worn or placed in the environment without being stigmatising or in the way. The research focuses on performing unobtrusive activity recognition when computational and sensing resources are scarce. This includes investigating unobtrusive ways to gather data, as well as adapting data modelling and classification to small, resource-constrained, devices.The work presents different aspects of data collection and data modelling when only using unobtrusive sensing. This is achieved by considering how different sensor placements affects prediction performance and how activity models can be created when using a single sensor, or when using a number of simple binary sensors, to perform movement analysis, recognise everyday activities, and perform stress detection. The work also investigates how classification can be performed on resource-constrained devices, resulting in a novel computation-efficient classifier and an efficient hand-made classification model. The work finally sets unobtrusive activity recognition into real-life contexts where it can be used for interventions to reduce stress, sedentary behaviour and symptoms of dementia.The results indicate that activities can be recognised unobtrusively and that classification can be performed even on resource-constrained devices. This allows for monitoring a user’s activities over extensive periods, which could be used for creating highly personal digital interventions and in-time advice that help users make positive behaviour changes. Such digital health interventions based on unobtrusive activity recognition for resource-constrained environments are important for addressing societal challenges of today, such as sedentary behaviour, stress, obesity, and chronic diseases. The final conclusion is that unobtrusive activity recognition is a cornerstone necessary for bringing many digital health interventions into a wider use.

• Denna avhandling diskuterar aktivitetsigenkänning ur ett diskret perspektiv, där enheter bärs eller placeras i miljön utan att vara stigmatiserande eller i vägen. Forskningen fokuserar på att utföra diskret aktivitetsigenkänning när beräknings- och sensor-resurser är knappa. Detta inkluderar att undersöka diskreta sätt att samla in data, samt att anpassa datamodellering och klassificering till små, resursbegränsade enheter.Arbetet presenterar olika aspekter av datainsamling och datamodellering när man bara använder diskreta sensorer. Detta uppnås genom att överväga hur olika sensorplaceringar påverkar prediktionsprestanda och hur aktivitetsmodeller kan skapas vid användning av en enda sensor eller vid användning av ett antal enkla binära sensorer, för att utföra rörelsesanalys, känna igen vardagliga aktiviteter och utföra stressdetektering. Arbetet undersöker också hur klassificering kan utföras på resursbegränsade enheter, vilket resulterar i en ny beräkningseffektiv klassificeringsalgoritm och en effektiv handgjord klassificeringsmodell. Slutligen sätter arbetet in diskret aktivitetsigenkänning i verkliga sammanhang där det kan användas för interventioner för att minska stress, stillasittande  beteende och symptom på demens.Resultaten visar att diskret aktivitetsigenkänning är möjligt och att klassificeringen kan utföras även på resursbegränsade enheter. Detta möjliggör övervakning av användarens aktiviteter under längre  perioder, vilket kan användas för att skapa personliga digitala interventioner och tidsanpassad rådgivning som hjälper användarna att göra positiva beteendeförändringar. Sådana digitala hälsointerventioner baserade på diskret aktivitetsigenkänning i resursbegränsade miljöer är viktiga för att ta itu med dagens samhällsutmaningar, såsom stillasittande beteende, stress, fetma och kroniska sjukdomar. En slutsats av arbetet är att diskret aktivitetsigenkänning är en hörnsten som är nödvändig för att få en större användning av digitala hälsointerventioner.

Ämnesord

NATURVETENSKAP  -- Data- och informationsvetenskap -- Datavetenskap (hsv//swe)

NATURAL SCIENCES  -- Computer and Information Sciences -- Computer Sciences (hsv//eng)

NATURVETENSKAP  -- Data- och informationsvetenskap -- Medieteknik (hsv//swe)

NATURAL SCIENCES  -- Computer and Information Sciences -- Media and Communication Technology (hsv//eng)

Nyckelord

Pervasive Mobile Computing

Distribuerade datorsystem

Publikations- och innehållstyp

vet (ämneskategori)

dok (ämneskategori)