Cyclic motion analysis using inertial sensors and machine learning

Zyklische Bewegungen wie Gehen, Laufen, Radfahren werden im Alltag sowohl im medizinischen Bereich, z.B. Ganganalyse, als auch im Fitnessbereich, z.B. Schrittzählung, analysiert. Für solche Anwendungen sind Inertialsensoren ideal, da sie mobil und unauffällig einsetzbar sind. Fehlende annotierte Daten aus dem Alltag schränken die Entwicklung und Anwendung von Algorithmen für solche Sensoren unter nicht-laborbedingungen ein. Dies ist auf den Aufwand zurückzuführen, der bei der Erhebung und Annotation solcher Daten anfällt.
Das Ziel dieser Arbeit ist es, die Annotationskosten für realistische Datensätze zu reduzieren, um so einen großen Benchmark-Datensatz zu sammeln und seine Relevanz zu demonstrieren. Es wird ein robuster Algorithmus für die Erkennung menschlicher Aktivität und simultaner Zyklusanalyse vorgeschlagen. Weiter wird das erste mobile Ganganalysesystem für Patienten mit einer seltenen und heterogenen Krankheit, der hereditären spastischen Querschnittslähmung (hereditary spastic paraplegia (HSP)) vorgeschlagen.
So werden maschinelle Lernalgorithmen erforscht und validiert, die den Stand der Technik für die Zyklusanalyse mit Inertialsensoren ergänzen. Die Ergebnisse dieser Arbeit sind sowohl im medizinischen als auch im Fitnessbereich von Nutzen, um Algorithmen zu entwickeln, die in realistischen Umgebungen trainiert und getestet werden können.