In den letzten zwei Jahrzehnten wurden zunehmend komplexere Methoden entwickelt, um menschliche Aktivitäten mithilfe verschiedener Sensortypen zu erkennen, beispielsweise Daten aus Bewegungsaufzeichnungssystemen, Beschleunigungssensoren und Gyroskopen. Bislang konzentriert sich der größte Teil der Forschung vor allem auf die Erkennung einfacher menschlicher Aktivitäten, wie Gehen, Essen und Laufen. Viele tägliche Aktivitäten des Menschen sind jedoch viel komplexer. Um die Forschung im Bereich der Erkennung komplexer Aktivitäten voranzutreiben, wurde die „Nurse Care Activity Recognition Challenge“ [1] ins Leben gerufen, bei der sechs Pflegetätigkeiten anhand von Daten aus Ortungssystemen, Luftdrucksensoren, Bewegungsaufzeichnungssystemen und Beschleunigungssensoren identifiziert werden sollen. Unser Team, „IITDU“, untersucht die Anwendung einfacher Methoden für diesen Zweck. Wir extrahieren zunächst Merkmale aus den Sensordaten und verwenden einen der einfachsten Klassifikatoren, nämlich den K-Nearest-Neighbors-Algorithmus (KNN). Experimente mit einem Ensemble aus KNN-Klassifikatoren zeigen, dass eine Genauigkeit von etwa 87 % bei 10-facher Kreuzvalidierung und 66 % bei Leave-One-Subject-Out-Kreuzvalidierung erreichbar ist.