Development of intelligent wearables for the estimation of motion kinematics and kinetics

Marion Mundt

Publikation: Buch/BerichtDissertationsschrift

277 Downloads (Pure)

Abstract

Die Relevanz der Bewegungsanalyse nimmt mehr und mehr zu, da Menschen daran interessiert sind, Wissen u ̈ber ihre Leistung zu erlangen und es im- mer einfacher wird, große Datenmengen mittels tragbarer Sensoren zu sam- meln. Dadurch bieten sich immer mehr Gelegenheiten im Alltag Daten zu erfassen. Dennoch ist Bewegungsanalyse, die tatsa ̈chlich Informationen u ̈ber Bewegungskinematik und -kinetik gibt, bisher an ein Labor gebunden. Um diesen Nachteil zu u ̈berwinden, zielt diese Arbeit darauf ab, erste Schritte in Richtung eines einfach zu handhabenden und leicht zu interpretierenden Be- wegungsanalysesystem basierend auf Inertialsensoren zu unternehmen. Dank der wachsenden Verfu ̈gbarkeit großer Datenmengen kann dieses Vorhaben auf Methoden der Ku ̈nstlichen Intelligenz basieren.
Ku ̈nstliche Neuronale Netze k ̈onnen die Beziehung zwischen gegebenen Eingangs- und Ausgangsgr ̈oßen anna ̈hern. W ̈ahrend eines Trainingprozesses lernen sie, Gewichte und Bias anzupassen, um Ausgangsgr ̈oßen fu ̈r unbekan- nte Testbeispiele vorherzusagen. Diese Thesis untersuchte, ob es m ̈oglich ist, dreidimensionale Winkel und Momente des Hu ̈ft-, Knie- und Fußge- lenks sowie die Bodenreaktionskraft mittels Ku ̈nstlicher Neuronaler Netze basierend auf Inertialsensoren vorherzusagen. Zu diesem Zweck wurde eine Methodik entwickelt, die Daten eines Inertialsensors basierend auf Mark- ertrajektorien, die mit einem optischen System gemessen werden k ̈onnen, simuliert. Anschließend wurde diese Methodik mittels eines individuell gefer- tigten Inertialsensorsystems validiert.
DieErgebnissezeigteneineguteU ̈bereinstimmungzwischendenvorherge- sagten und gemessenen Daten fu ̈r Gang und schnelle Richtungswechsel. Mit- hilfe von Techniken zur Vergr ̈oßerung des Datensatzes konnten die Ergebnisse verbessert werden. Die Nutzung eines fully-connected feedforward neu- ral network erzielte bessere Vorhersagen als die Nutzung eines rekurrenten LSTM neural network. Nichtsdestotrotz sollten rekurrente Neuronale Netze in zuku ̈nftigen Arbeiten weiter untersucht werden, da sie in der Lage sind, Vorhersagen in Echtzeit zu machen, wohingegen fully-connected feedforward neural networks zeitnormalisierte Daten beno ̈tigen. In ersten Pilotstudien konnten auch convolutional neural networks vielversprechende Ergebnisse liefern. Weitere Schritte sind notwendig, um die Methoden, die in dieser The- sis entwickelt wurden, zu validieren und ein intelligentes Inertialsensorsystem in die Anwendung zu bringen. Die ̈außerst vielversprechenden Ergebnisse dieser Thesis motivieren Forschung in diese Richtung.
OriginalspracheEnglisch
ErscheinungsortKöln
VerlagDeutsche Sporthochschule Köln
Seitenumfang60
PublikationsstatusVeröffentlicht - 2020

Fingerprint

Untersuchen Sie die Forschungsthemen von „Development of intelligent wearables for the estimation of motion kinematics and kinetics“. Zusammen bilden sie einen einzigartigen Fingerprint.

Zitation