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

Forschungsfrage

Ist die Erkennung von Pilatesübungen, auf einfachste Weise, durch den Einsatz von neuen Medien möglich?

Können unvollständige Bewegungsprotokolle ersetzt werden?

Können absolvierte Übungenbewertet undVerbesserungsvorschlägegeliefert werden?

Idee

Umfangreichere „Wearable Computing“ Systeme zu aufwendig

Verwendung von Smartphones und deren Sensoren

Übungen mit iPhone auf Referenzposition

App übernimmt Protokoll

App gibt

Verbesserungsvorschläge

Technische Umsetzung

Softwaresystem

iOS Client Webservice Webanwendung

Sensoren im iPhone

Accelerometer Gyroscope

Aufnahme der Sensordaten

Auswertung der Sensordaten

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

Merkmalsgewinnung

Singulärwerte Kreuzkorrelationen Mittelwerte, Standardabweichungen

Beispielklassifikation

Support Vector Machines

Datenstrom Segmentierung

Signalmittelung

Spitzenwerterfassung

Bsp.: Wirbelsäulendrehung

Datenmatrix

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

Klassifizierung

Support Vector Machines Berechnung Hyperplane anhand von Trainingsdaten

Hyperplane als Entscheidungsfunktion für zukünftige Daten

Mehrere Fehlerklassen

Aufbereitung für BetreuerIn

Aufbereitung für BetreuerIn

Grenzen

Nicht alle Fehler/Bewegungen können erfasst werden

„Unechte Bewegungen“ werden als richtig klassifiziert

„Richtige Bewegungen“ werden nicht erkannt

Evaluation

Rate Prozent

Trefferquote 84,75

Ausfallsrate 17,8

Korrektklassifikation 83,1

Zusammenfassung

System konnte Anforderungen gerecht werden

Praxistauglich

Ersetzung unvollständiger Bewegungsprotokolle

Gutes Kontrollinstrument für BetreuerIn

iPhone Sensordaten geeignet für weitere Analysen

Vielen Dank für Ihre Aufmerksamkeit!!!