Algorithmic activity detection based on motion and position sensors

Abstract

Diese Arbeit beschäftigt sich mit der Segmentierung von repetitiven Sportübungen. Die Segmentierung solcher Zeitreihendaten ist ein wissenschaftlich interessantes Problem, da diese die Analyse einzelner Wiederholungen mit Methoden wie dem maschinellen Lernen ermöglicht. Um zu ermitteln, ob ein Segmentierungsalgorithmus implementierbar ist, der auf einem Mikroprozessor ausführbar ist, wird in dieser Arbeit ein prototypischer Entwurf entwickelt. In einem Experiment führten Probanden Übungen durch, während sie Sensoren am Körper trugen. Ein Segmentierungsalgorithmus wurde entwickelt und anschließend genutzt, um die gesammelten Daten zu verarbeiten. Die Segmentierung wurde evaluiert, indem die algorithmisch bestimmten Segmentierungspunkte mit einer Ground Truth verglichen wurden, welche aus Videoaufnahmen basierte. Der Algorithmus wies lineare Laufzeitkomplexität und eine geringe Fehlerkennung auf. Bei einer Fenstergröße von 501 Datenpunkten ergaben sich 0,02% falsch negative Segmentierungspunkte und 0,04% falsch positive Segmentierungspunkte. Die Studie zeigt, dass ein geeigneter Algorithmus implementierbar ist.

This thesis deals with the segmentation of repetitive sports exercises. The segmentation of such time series data constitutes a scientifically interesting problem, as it enables analysis of individual repetitions using techniques such as machine learning. To determine whether it is possible to implement a segmentation algorithm that can run on a microprocessor unit, this thesis proposes a prototypical design. An experiment was conducted in which test persons performed exercises while equipped with sensors. A segmentation algorithm was devised and subsequently used to process the signal data collected. The segmentation was evaluated by comparing the algorithmically determined segmentation points with a ground truth based on video recordings. The algorithm exhibited linear time complexity and a low failure rate. A window size of 501 data points resulted in 0:02% false negative segmentation points and 0:04% false positive segmentation points. The study shows that a suitable algorithm can be implemented.