Masterprüfung
Machbarkeitsstudie zur Erkennung von
kindgerechten Pilatesübungen anhand
von Smartphone-Sensordaten
Manuel P...
Forschungsfrage

Ist die Erkennung von Pilatesübungen, auf einfachste
Weise, durch den Einsatz von neuen Medien möglich?
...
Idee

Umfangreichere „Wearable Computing“ Systeme zu
aufwendig

Verwendung von Smartphones und deren Sensoren

Übungen ...
Technische Umsetzung

Softwaresystem
− iOS Client
− Webservice
− Webanwendung

Sensoren im iPhone
− Accelerometer
− Gyro...
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

Merkmalsgew...
Datenstrom Segmentierung

Signalmittelung

Spitzenwerterfassung
Bsp.: Wirbelsäulendrehung
Datenmatrix
Merkmalsgewinnung
6 Singulärwerte
+ 6 Mittelwerte der Sensorwerte
+ 6 Standardabweichungen der Sensorwerte
+ 3 Kreuz-Korre...
Klassifizierung
Support Vector Machines

Berechnung Hyperplane anhand von Trainingsdaten

Hyperplane als Entscheidungsfu...
Mehrere Fehlerklassen
Aufbereitung für BetreuerIn
Aufbereitung für BetreuerIn
Grenzen

Nicht alle Fehler/Bewegungen können erfasst werden

„Unechte Bewegungen“ werden als richtig klassifiziert

„Ri...
Evaluation
Rate Prozent
Trefferquote 84,75
Ausfallsrate 17,8
Korrektklassifikation 83,1
Zusammenfassung

System konnte Anforderungen gerecht werden

Praxistauglich

Ersetzung unvollständiger Bewegungsprotoko...
Nächste SlideShare
Wird geladen in …5
×

Machbarkeitsstudie zur Erkennung von kindgerechten Pilatesübungen anhand von Smartphone-Sensordaten

1.064 Aufrufe

Veröffentlicht am

Präsentation der Massenarbeit, TU Graz, 2014

Veröffentlicht in: Bildung
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.064
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
324
Aktionen
Geteilt
0
Downloads
1
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Machbarkeitsstudie zur Erkennung von kindgerechten Pilatesübungen anhand von Smartphone-Sensordaten

  1. 1. 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
  2. 2. Forschungsfrage  Ist die Erkennung von Pilatesübungen, auf einfachste Weise, durch den Einsatz von neuen Medien möglich?  Können unvollständige Bewegungsprotokolle ersetzt werden?  Können absolvierte Übungen bewertet und Verbesserungsvorschläge geliefert werden?
  3. 3. Idee  Umfangreichere „Wearable Computing“ Systeme zu aufwendig  Verwendung von Smartphones und deren Sensoren  Übungen mit iPhone auf Referenzposition  App übernimmt Protokoll  App gibt Verbesserungsvorschläge
  4. 4. Technische Umsetzung  Softwaresystem − iOS Client − Webservice − Webanwendung  Sensoren im iPhone − Accelerometer − Gyroscope  Aufnahme der Sensordaten  Auswertung der Sensordaten
  5. 5. Softwaresystem
  6. 6. iOS-Client: MotionTracker App
  7. 7. Sensoren im iPhone  Accelerometer − Einheit: G  Gyroscope − Einheit: Radiant / Sekunde
  8. 8. Bsp.: Rollender Ball
  9. 9. Auswertung der Sensordaten  Datenstrom Segmentierung − Signalmittelung − Spitzenwerterfassung  Datenmatrix  Merkmalsgewinnung − Singulärwerte − Kreuzkorrelationen − Mittelwerte, Standardabweichungen  Beispielklassifikation − Support Vector Machines
  10. 10. Datenstrom Segmentierung  Signalmittelung  Spitzenwerterfassung
  11. 11. Bsp.: Wirbelsäulendrehung
  12. 12. Datenmatrix
  13. 13. 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
  14. 14. Klassifizierung Support Vector Machines  Berechnung Hyperplane anhand von Trainingsdaten  Hyperplane als Entscheidungsfunktion für zukünftige Daten
  15. 15. Mehrere Fehlerklassen
  16. 16. Aufbereitung für BetreuerIn
  17. 17. Aufbereitung für BetreuerIn
  18. 18. Grenzen  Nicht alle Fehler/Bewegungen können erfasst werden  „Unechte Bewegungen“ werden als richtig klassifiziert  „Richtige Bewegungen“ werden nicht erkannt
  19. 19. Evaluation Rate Prozent Trefferquote 84,75 Ausfallsrate 17,8 Korrektklassifikation 83,1
  20. 20. Zusammenfassung  System konnte Anforderungen gerecht werden  Praxistauglich  Ersetzung unvollständiger Bewegungsprotokolle  Gutes Kontrollinstrument für BetreuerIn  iPhone Sensordaten geeignet für weitere Analysen Vi el en Dank f ür I hre Auf merks amkei t !!!

×