Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.
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

1.262 Aufrufe

Veröffentlicht am

Präsentation der Massenarbeit, TU Graz, 2014

Veröffentlicht in: Bildung
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

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 !!!

×