Maschinelles Lernen für die Situationserkennung einer aktiven Kniegelenkorthese

Mattfeldt, Philipp ; Latsch, Bastian ; Hielscher, Jürgen ; Desch, Sascha ; Schäfer, Niklas ; Chadda, Romal ; Werthschützky, Roland ; Seyfarth, André ; Kupnik, Mario (2021)
Maschinelles Lernen für die Situationserkennung einer aktiven Kniegelenkorthese.
14. VDI/VDE Mechatronik-Tagung 2021. virtual Conference (24.03.-25.03.2021)
Konferenzveröffentlichung, Bibliographie

Dies ist die neueste Version dieses Eintrags.

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:

2021

Autor(en):

Mattfeldt, Philipp ; Latsch, Bastian ; Hielscher, Jürgen ; Desch, Sascha ; Schäfer, Niklas ; Chadda, Romal ; Werthschützky, Roland ; Seyfarth, André ; Kupnik, Mario

Art des Eintrags:

Bibliographie

Titel:

Maschinelles Lernen für die Situationserkennung einer aktiven Kniegelenkorthese

Sprache:

Deutsch

Publikationsjahr:

März 2021

Ort:

Darmstadt

Verlag:

Technische Universität

Buchtitel:

Digital‐Fachtagung: MECHATRONIK 2021

Veranstaltungstitel:

14. VDI/VDE Mechatronik-Tagung 2021

Veranstaltungsort:

virtual Conference

Veranstaltungsdatum:

24.03.-25.03.2021

Zugehörige Links:

Kurzbeschreibung (Abstract):

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

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:

02 Mai 2024 12:37

Letzte Änderung:

02 Mai 2024 12:45

PPN:

Export: