Mattfeldt, Philipp ; Latsch, Bastian ; Hielscher, Jürgen ; Desch, Sascha ; Schäfer, Niklas ; Chadda, Romal ; Werthschützky, Roland ; Seyfarth, André ; Kupnik, Mario (2024)
Maschinelles Lernen für die Situationserkennung einer aktiven Kniegelenkorthese.
14. VDI/VDE Mechatronik-Tagung 2021. Darmstadt, Germany (online) (24.-25.03.2021)
doi: 10.26083/tuprints-00026959
Konferenzveröffentlichung, Zweitveröffentlichung, Verlagsversion

Kurzbeschreibung (Abstract)

Um den Menschen bedarfsgerecht und ergonomisch unterstützen zu können, müssen Assistenzsysteme die Bewegungen und Bewegungsabsichten des Nutzers frühzeitig erkennen. Die Individualität der menschlichen Bewegung ist dabei eine besondere Herausforderung. Dieser Beitrag zeigt, dass maschinelles Lernen geeignet ist, um aus den Daten ausgewählter, am Körper getragener Sensoren sieben alltägliche Bewegungssituationen zu unterscheiden. Ein Convolutional Neural Network erkennt Merkmale in den Bewegungsdaten, welche nicht nur auf die aktuelle Situation schließen lassen, sondern auch als Frühindikatoren dienen, aus denen eine kommende Bewegung antizipiert werden kann. Dazu ermittelt das Netzwerk für jede vordefinierte Situation eine Plausibilität im laufenden Betrieb basierend auf den Sensorsignalen des Assistenzsystems. Das hier beschriebene Modell wurde mit Bewegungsdaten von sechs Personen trainiert, wodurch eine Erkennungsgenauigkeit von 99,1 % erreicht wurde. Die Robustheit der Erkennung ist mit der Einführung einer Konfidenz gegeben und somit ein Einsatz der Situationserkennung an einer aktiven Kniegelenkorthese möglich.

Typ des Eintrags:	Konferenzveröffentlichung
Erschienen:	2024
Autor(en):	Mattfeldt, Philipp ; Latsch, Bastian ; Hielscher, Jürgen ; Desch, Sascha ; Schäfer, Niklas ; Chadda, Romal ; Werthschützky, Roland ; Seyfarth, André ; Kupnik, Mario
Art des Eintrags:	Zweitveröffentlichung
Titel:	Maschinelles Lernen für die Situationserkennung einer aktiven Kniegelenkorthese
Sprache:	Deutsch
Publikationsjahr:	15 April 2024
Ort:	Darmstadt
Publikationsdatum der Erstveröffentlichung:	2021
Ort der Erstveröffentlichung:	Darmstadt
Buchtitel:	Digital‐Fachtagung VDI MECHATRONIK 2021
Veranstaltungstitel:	14. VDI/VDE Mechatronik-Tagung 2021
Veranstaltungsort:	Darmstadt, Germany (online)
Veranstaltungsdatum:	24.-25.03.2021
DOI:	10.26083/tuprints-00026959
URL / URN:	https://tuprints.ulb.tu-darmstadt.de/26959
Zugehörige Links:	Verwandtes Werk
Herkunft:	Zweitveröffentlichungsservice
Kurzbeschreibung (Abstract):	Um den Menschen bedarfsgerecht und ergonomisch unterstützen zu können, müssen Assistenzsysteme die Bewegungen und Bewegungsabsichten des Nutzers frühzeitig erkennen. Die Individualität der menschlichen Bewegung ist dabei eine besondere Herausforderung. Dieser Beitrag zeigt, dass maschinelles Lernen geeignet ist, um aus den Daten ausgewählter, am Körper getragener Sensoren sieben alltägliche Bewegungssituationen zu unterscheiden. Ein Convolutional Neural Network erkennt Merkmale in den Bewegungsdaten, welche nicht nur auf die aktuelle Situation schließen lassen, sondern auch als Frühindikatoren dienen, aus denen eine kommende Bewegung antizipiert werden kann. Dazu ermittelt das Netzwerk für jede vordefinierte Situation eine Plausibilität im laufenden Betrieb basierend auf den Sensorsignalen des Assistenzsystems. Das hier beschriebene Modell wurde mit Bewegungsdaten von sechs Personen trainiert, wodurch eine Erkennungsgenauigkeit von 99,1 % erreicht wurde. Die Robustheit der Erkennung ist mit der Einführung einer Konfidenz gegeben und somit ein Einsatz der Situationserkennung an einer aktiven Kniegelenkorthese möglich.
Alternatives oder übersetztes Abstract:	Alternatives Abstract Sprache In order to support humans ergonomically and in line with their needs, assistance systems have to recognize the user’s movements and movement intentions at an early stage. Here, the individuality of human movement is a key challenge. This paper shows that machine learning is suitable to distinguish seven common movement situations from the data of selected sensors attached to the body. A Convolutional Neural Network detects features in the motion data that not only indicate the current situation but also provide indicators from which an upcoming motion can be anticipated. For this purpose, the network determines a plausibility for each predefined situation in the ongoing operation based on the measured values of the assistance systems. The model described was trained with the motion data of six participants resulting in a recognition accuracy of 99,1 %. The robustness of the recognition is given with the aid of a confidence, and thus an application of the situation recognition in an active knee orthosis is possible. Englisch
Status:	Verlagsversion
URN:	urn:nbn:de:tuda-tuprints-269593
Sachgruppe der Dewey Dezimalklassifikatin (DDC):	000 Allgemeines, Informatik, Informationswissenschaft > 004 Informatik 600 Technik, Medizin, angewandte Wissenschaften > 610 Medizin, Gesundheit 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau 600 Technik, Medizin, angewandte Wissenschaften > 621.3 Elektrotechnik, Elektronik
Fachbereich(e)/-gebiet(e):	18 Fachbereich Elektrotechnik und Informationstechnik 18 Fachbereich Elektrotechnik und Informationstechnik > Mess- und Sensortechnik
Hinterlegungsdatum:	15 Apr 2024 09:53
Letzte Änderung:	18 Apr 2024 12:00
PPN:
Export:	IBW_RDARDF+XMLT2T_XMLMODSEP3 XMLDublin CoreEndNoteHTML CitationAtomASCII CitationSimple MetadataBibTeXMultiline CSVJSON
Suche nach Titel in:	TUfind oder in Google

Verfügbare Versionen dieses Eintrags

• Maschinelles Lernen für die Situationserkennung einer aktiven Kniegelenkorthese. (deposited 15 Apr 2024 09:53) [Gegenwärtig angezeigt]
  • Maschinelles Lernen für die Situationserkennung einer aktiven Kniegelenkorthese. (deposited 02 Mai 2024 12:37)

Frage zum Eintrag

Optionen (nur für Redakteure)

Redaktionelle Details anzeigen