Download Dokument_1.

ABSTRACT
Abstract Deutsch
Thema der Masterarbeit
Mustererkennung menschlicher Bewegungen in Beschleunigungsdaten
Autor
Dipl.-Ing. (FH) Dennis Jos
Erstprüfer
Prof. Dr. Oliver Kalthoff
Zweitprüfer
Dr. rer. nat. Uwe Mittag
Bei ambulanten Studien ist das Mitwirken des Probanden (Compliance) von großer
Bedeutung. Besonders bei Interventionsstudien, die den menschlichen Bewegungsapparat untersuchen, ist es wichtig, die alltäglichen Aktivitäten in heimischer Umgebung
zu protokollieren. Körperliche Aktivität hat Einfluss auf Messungen, die Auswirkungen
von Ernährung, Stoffwechsel oder neuromuskulären Stimulationen quantifizieren. Zur
Unterstützung einer ambulanten Studie am Deutschen Zentrum für Luft- und Raumfahrt (DLR) wurde ein System zur Erkennung menschlicher Bewegungen entwickelt.
Alltägliche Aktivitäten von statischer (Stehen, Sitzen, Laufen) und dynamischer Natur
(Gehen, Treppen auf- bzw. absteigen, Joggen) wurden untersucht. Zwei dreiachsige
Beschleunigungssensoren wurden an der Hüfte und parallel zum Schienbein montiert.
Von den Beschleunigungssignalen wurden musterbeschreibende Merkmale aus dem
Zeitbereich (Mittelwert, Standardabweichung, Betragsmaximum) und Frequenzbereich
(Hauptfrequenzen, spektrale Entropie, autoregressive Koeffizienten, Fläche der Signalamplituden) extrahiert. Künstliche neuronale Netze (ANN) mit einer FeedforwardStruktur wurden mit Backpropagation und überwachtem Lernen trainiert. Für die Evaluation des daraus entstandenen Klassifikators absolvierten 14 Testpersonen einen
Aktivitätsparcours und einen freien Lauf mit beliebiger Reihenfolge von Aktivitäten. Für
jeden Probanden wurde ein individuelles ANN trainiert. Genauigkeiten von 87,99 %
und 71,23 % wurden bei der Klassifikation des Aktivitätsparcours bzw. des freien Laufs
gemessen. Die Zuverlässigkeit der Klassifizierungen lag bei 96,49 % bzw. 76,77 %.
Diese Leistungsparameter beschreiben ein funktionierendes ambulantes Monitoring
System von körperlichen Aktivitäten.
Schlüsselwörter
Bewegungserkennung, Beschleunigungssensoren, künstliche neuronale Netze, ambulantes Monitoring, überwachtes Lernen
III