Recognizing Transportation Modes by Multivariate Clustering of Accelerometer Data

Abstract

The dawn of the Quantified Self movement suggests that people are increasingly interested in collecting and analyzing data from their everyday lives. Data can be recorded by using specially designed ‘life logging’ devices, but a regular smart phone suits for the task as well. Smart phones are often carried in a pocket throughout the day and have various built-in sensors which can be harnessed for data collecting.

In this thesis we collected smart phone accelerometer data from nine test subjects, aiming to be able to algorithmically cluster the data in transportation mode -specific groups. The test subjects logged their daily activities by using Contextlogger3-application, which has been developed at Aalto University for this specific purpose. Performance of the algorith-mic clustering was later evaluated by comparing the formed groups to what the test sub-jects had logged in reality.

We were able to recognize walk data fairly accurately, but with the selected approach it was impossible to separate car and bus data.

Älypuhelin on laite, joka sisältää lukuisia datan keräämiseen soveltuvia antureita ja joka kulkee lähes aina mukana. Älypuhelimen hyödyntämisestä datan keräämisen työkaluna onkin tullut kiehtova ajatus erilaisten ”lifelogging” ja ”biohacking” -harrastusten kasvattaessa suosiotaan. Ihmiset ovat alati kiinnostuneempia päivittäisistä aktiviteeteistaan numeerisen datan valossa ja mukana kulkeva laite on näppärä tapa tuottaa sitä.

Tässä työssä kerättiin kiihtyvyysanturidataa yhdeksältä testihenkilöltä yhdeksällä laitteella pyrkimyksenä löytää tilastollisiin monimuuttujamenetelmiin pohjautuva menetelmä datan ryhmittelemiseksi liikkumismuodon mukaisiin ryhmiin. Jokainen testihenkilö kantoi laitetta mukanaan noin kolmen päivän ajan ja kirjasi samalla ylös suorittamansa aktiviteetit käyttäen Aalto-yliopistossa kontekstidatan keräämiseen kehitettyä Contextlogger3-ohjelmaa. Ryhmittelyn onnistumista arvioitiin vertaamalla algoritmin tuottamia ryhmiä siihen, mitä käyttäjät olivat kirjanneet.

Työn tuloksena selvisi, että valitulla lähestymistavalla kävelydatat saatiin erottumaan varsin hyvin muista liikkumismuodoista, mutta erilaisista moottoriajoneuvoista lähtöisin olevia datoja ei kyetty kunnolla erottelemaan toisistaan.