Simultane Aktivitätserkennung und Ganganalyse auf Basis grafischer Modelle Objektive Gesundheitsdaten von Patienten außerhalb des
Labors sind wichtig, um die Symptome zu analysieren, die
im Labor nicht reproduzierbar sind. Ein einfaches
Alltagsbeispiel wäre, wie die Schrittlänge sich mit
Müdigkeit oder Stress ändert. Um dies zu untersuchen,
müssen wir der Lage sein, einen Schritt aus dem täglichen
Leben exakt zu segmentieren, um ein akkurates Maß der
Dauer und Distanz zu erhalten. State-of-the-Art-Methoden
verwenden getrennte Segmentierung und Klassifikation.
Dies ist zu ungenau für die Segmentierung einer isolierten
Aktivität, insbesondere für eine, die nicht wiederholt
ausgeführt wird. Dies könnte durch ein Modell gelöst
werden, das auf der Sequenz von Phasen innerhalb von
Aktivitäten aufbaut. Ein solches Modell ist ein
grafisches Modell. Derzeit arbeiten wir mit Conditional
Random Fields und hierarchischen Hidden-Markov-Modellen. Die Anwendungen beinhalten Aktivitäten aus dem Sportbereich
und aus dem täglichen Leben. | Projektleitung: Prof. Dr. Björn Eskofier
Beteiligte: Christine Martindale, M. Sc.
Stichwörter: grafische Modelle; Aktivitätserkennung; Segmentierung; Inertialsensorik
Beginn: 1.2.2015
Förderer: Bosch Sensortec
Kontakt: Martindale, Christine Telefon +49 9131 85 27921, E-Mail: christine.f.martindale@fau.de
|