Modellierung eines Prototyps für die Echtzeit-Ergonomie zur Ableitung eindeutiger Bewegungsmuster aus körpernahen Sensordaten am Beispiel von Hand-Arm-Bewegungen.

Abstract

Diese Masterarbeit ist ein Teil eines Projektes, bei dem Mit Hilfe von in Bekleidung eingebrachten Sensoren, Körperbewegungen aufgenommen und die daraus resultierenden Belastungen bewertet werden sollen, mit dem Ziel bei drohender Überbelastung dem Träger ein direktes Feedback geben zu können. In diesem Teil des Projektes sollen aus Sensordaten, welche durch eingebrachte Sensoren auf einem Oberbekleidungs-stück aufgenommen werden, eindeutige Bewegungsmuster erkannt werden. Hierzu wird ein Versuchsaufbau entwickelt, um am Beispiel von Hand-Arm- Bewegungen (Überkopfarbeit) Sensordaten, sogenannte Trainingsdaten, aufzunehmen. Diese Trainingsdaten sollen Mithilfe von Machine-Learning-Algorithmen analysiert und interpretiert werden. Hierzu muss ein geeigneter Machine-Learning-Algorythmus ausgewählt und neben der Aufnahme der Trainingsdaten zudem auch die Echtzeit-Daten der Bewegung (ground truth) erfasst werden. Für die Echtzeit-Bewegungserfassung werden unterschiedliche Systeme betrachtet und eine Auswahl getroffen. Die über den Versuch so aufgenommenen Trainngsdaten und die Echzeit-Daten werden anschließend genutzt um den Machine-Learning-Algorythmus zu trainieren und Bewegungsmuster der Überkopfarbeit zu erkennen.

This master thesis is part of a project in which sensors integrated into clothing are used to record body movements and evaluate the resulting loads, with the aim of providing direct feedback to the wearer in the event of imminent overload. In this part of the project, clear movement patterns are to be recognized from sensor data recorded by sensors inserted on an outer garment. For this purpose, an experimental setup will be developed to record sensor data, so-called training data, using the example of hand-arm movements (overhead work). These training data are to be analyzed and interpreted with the help of machine learning algorithms. For this purpose, a suitable machine learning algorithm must be selected and, in addition to recording the training data, the real-time data of the movement (ground truth) must also be recorded. For the real-time motion acquisition, different systems are considered and a selection is made. The training-data recorded during the experiment and the real-time data are then used to train the machine learning algorithm and to recognize movement patterns of the overhead work.