Body Sensor Networks bestehen aus kleinen drahtlosen Sensoren, die u.a. in Kleidung integriert sind. Die Sensoren nehmen Bewegungs- und Biosignaldaten auf und senden sie drahtlos an ein zentrales Gerät (z.B. Smartphone, Tablet) für Analysen und Feedback.

Bewegungsanalyse wird üblicherweise in einer Laborumgebung durchgeführt. Traditionelle Systeme sind groß, teuer und können nur ein limitiertes Volumen aufnehmen. Body Sensor Networks bieten die Möglichkeit, kostengünstig Daten in realen Lebenssituationen außerhalb des Labors aufzunehmen. In diesem Projekt werden Mustererkennungsalgorithmen an gesammelten Daten angewandt, um Ärzten und Sportwissenschaftlern in der Diagnose und Forschung zu unterstützen.

Biosignalanalyse bietet eine objektive Möglichkeit, um den physiologischen Zustand von Athleten, Patienten und älteren Personen zu beurteilen. Es werden Signale aus der Elektromyografie (EMG), dem Elektrokardiogramm (EKG) oder der Elektroenzephalografie (EEG) analysiert, um wichtige Zusatzinformationen für Trainer, Ärzte und Pfleger bereitzustellen.

Eingebettete Algorithmen für mobile Anwendungen stellen aufgrund begrenzter Ressourcen und Echtzeitbedingungen eine Herausforderung dar. Es werden Mustererkennungsmethoden für eine effiziente Nutzung von Speicher- und Berechnungsressourcen untersucht und optimiert. Dadurch sind innovative Lösungen für eine Vielzahl von eingebetteten Anwendungen möglich.

Mobile Ganganalyse unterstützt die Diagnose von Bewegungsstörungen, wie sie z.B. bei Parkinsonpatienten auftreten.

Mithilfe einer Klassifikation von Alltagsbewegungen ist eine Überwachung von Patienten und Sportlern möglich. Auf Basis dieser Überwachung können Statistiken für Patienten und Athleten erstellt werden.

Echtzeitfeedback bietet die Möglichkeit einer mobilen Trainingsunterstützung im Sport und einer unaufdringlichen Gesundheitsüberwachung.

Eine eingebettete Klassifikationstoolbox kann die entwickelten Verfahren der Mustererkennung hinsichtlich Genauigkeit und Komplexität analysieren und Algorithmen für einen konkreten Anwendungsfall auswählen.