Download - Machbarkeitsstudie zur Erkennung von kindgerechten Pilatesübungen anhand von Smartphone-Sensordaten
Masterprüfung
Machbarkeitsstudie zur Erkennung von kindgerechten Pilatesübungen anhand
von Smartphone-Sensordaten
Manuel Parfant
Technische Universität Graz
Institut für Informationssyseme und Computer Medien
Betreuer: Univ.-Doz. Dipl.-Ing. Dr.techn. Martin Ebner
Forschungsfrage
Ist die Erkennung von Pilatesübungen, auf einfachste Weise, durch den Einsatz von neuen Medien möglich?
Können unvollständige Bewegungsprotokolle ersetzt werden?
Können absolvierte Übungenbewertet undVerbesserungsvorschlägegeliefert werden?
Idee
Umfangreichere „Wearable Computing“ Systeme zu aufwendig
Verwendung von Smartphones und deren Sensoren
Übungen mit iPhone auf Referenzposition
App übernimmt Protokoll
App gibt
Verbesserungsvorschläge
Technische Umsetzung
Softwaresystem
iOS Client Webservice Webanwendung
Sensoren im iPhone
Accelerometer Gyroscope
Aufnahme der Sensordaten
Auswertung der Sensordaten
Softwaresystem
iOS-Client: MotionTracker App
Sensoren im iPhone
Accelerometer
Einheit: G
Gyroscope
Einheit:
Radiant / Sekunde
Bsp.: Rollender Ball
Auswertung der Sensordaten
Datenstrom Segmentierung
Signalmittelung Spitzenwerterfassung
Datenmatrix
Merkmalsgewinnung
Singulärwerte Kreuzkorrelationen Mittelwerte, Standardabweichungen
Beispielklassifikation
Support Vector Machines
Datenstrom Segmentierung
Signalmittelung
Spitzenwerterfassung
Bsp.: Wirbelsäulendrehung
Datenmatrix
Merkmalsgewinnung
6 Singulärwerte
+ 6 Mittelwerte der Sensorwerte
+ 6 Standardabweichungen der Sensorwerte
+ 3 Kreuz-Korrelationen der einzelnen Rotationsdaten
+ 3 Keuz-Korrelationen der Beschleunigungsdaten
+ Kreuz-Korrelation der gesamten Beschleunigungs- zu Rotationsdaten
= 25 Merkmale pro Beispiel
Klassifizierung
Support Vector Machines Berechnung Hyperplane anhand von Trainingsdaten
Hyperplane als Entscheidungsfunktion für zukünftige Daten
Mehrere Fehlerklassen
Aufbereitung für BetreuerIn
Aufbereitung für BetreuerIn
Grenzen
Nicht alle Fehler/Bewegungen können erfasst werden
„Unechte Bewegungen“ werden als richtig klassifiziert
„Richtige Bewegungen“ werden nicht erkannt
Evaluation
Rate Prozent
Trefferquote 84,75
Ausfallsrate 17,8
Korrektklassifikation 83,1
Zusammenfassung
System konnte Anforderungen gerecht werden
Praxistauglich
Ersetzung unvollständiger Bewegungsprotokolle
Gutes Kontrollinstrument für BetreuerIn
iPhone Sensordaten geeignet für weitere Analysen
Vielen Dank für Ihre Aufmerksamkeit!!!