Über das Projekt

Dieses Abschlussprojekt liefert ein End-to-End-System zur Erkennung menschlicher Aktivitäten (Human Activity Recognition, HAR), das auf zwei Paradigmen des maschinellen Lernens basiert – zentralisiertes Deep Learning und datenschutzkonformes föderiertes Lernen (Federated Learning) – und anhand des UCI HAR-Datensatzes (561 Merkmale, 6 Aktivitätsklassen, 10.299 Stichproben) vergleichend bewertet wurde. Die Modelltrainingsschicht implementiert beide Architekturen unter Verwendung von TensorFlow/Keras und PyTorch und erzeugt trainierte Modelle mit Leistungsbenchmarks für Genauigkeit, Präzision, Recall und F1-Score-Metriken. Die Flask-REST-API stellt 17 Endpunkte bereit, die nach SOA-Prinzipien organisiert sind: Routen-Controller (Blueprints), dedizierte Servicekomponenten (DeepLearningService, FederatedService, GradientAggregator) und gemeinsam genutzte Dienstprogramme für die Vorverarbeitung, Validierung und Metrikverfolgung. Die mit Kotlin und Jetpack Compose (MVVM) entwickelte Android-Mobil-App sammelt Echtzeit-Inertialsensordaten, führt über PyTorch Mobile eine FL-Inferenz auf dem Gerät durch und kommuniziert über Retrofit mit der API. Benutzer können Vorhersagen auslösen, Feedback zur Aktualisierung des föderierten Modells übermitteln und den Klassifizierungsverlauf überprüfen.