Die Machbarkeitsstudie untersucht die Erkennung von kindgerechten Pilatesübungen mithilfe von Smartphone-Sensordaten, um unvollständige Bewegungsprotokolle zu ersetzen und Verbesserungsvorschläge zu liefern. Die technische Umsetzung erfolgt über eine iOS-App, die Daten von Beschleunigungssensoren und Gyroskopen auswertet, mit einem Klassifikationssystem basierend auf Support Vector Machines. Das System erreicht eine Trefferquote von 84,75% und zeigt sich als praxistauglich für die Unterstützung von Trainierenden.

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. 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. 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. Technische Umsetzung

Softwaresystem
− iOS Client
− Webservice
− Webanwendung

Sensoren im iPhone
− Accelerometer
− Gyroscope

Aufnahme der Sensordaten

Auswertung der Sensordaten

5. Softwaresystem

6. iOS-Client: MotionTracker App

7. Sensoren im iPhone

Accelerometer
− Einheit: G

Gyroscope
− Einheit:
Radiant / Sekunde

8. Bsp.: Rollender Ball

9. Auswertung der Sensordaten

Datenstrom Segmentierung
− Signalmittelung
− Spitzenwerterfassung

Datenmatrix

Merkmalsgewinnung
− Singulärwerte
− Kreuzkorrelationen
− Mittelwerte, Standardabweichungen

Beispielklassifikation
− Support Vector Machines

10. Datenstrom Segmentierung

Signalmittelung

Spitzenwerterfassung

11. Bsp.: Wirbelsäulendrehung

12. Datenmatrix

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. Klassifizierung
Support Vector Machines

Berechnung Hyperplane anhand von Trainingsdaten

Hyperplane als Entscheidungsfunktion für zukünftige Daten

15. Mehrere Fehlerklassen

16. Aufbereitung für BetreuerIn

17. Aufbereitung für BetreuerIn

18. Grenzen

Nicht alle Fehler/Bewegungen können erfasst werden

„Unechte Bewegungen“ werden als richtig klassifiziert

„Richtige Bewegungen“ werden nicht erkannt

19. Evaluation
Rate Prozent
Trefferquote 84,75
Ausfallsrate 17,8
Korrektklassifikation 83,1

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 !!!