Strategies for Generalisable Machine Learning with Small Data for Exercise Fatigue Detection

Abstract

This thesis contributes to the field of human-centred computing by exploring strategies and pitfalls for developing generalisable machine learning models for sensor-based exercise fatigue detection with small data. Machine learning faces several challenges in exercise fatigue detection due to the scarcity of available data, as fatigue research typically relies on sample data from a limited number of subjects due to the time and effort required to design, conduct, and analyse studies with human subjects. Although machine learning models can provide robust predictions, even when trained on small data sets, careful consideration of variability and data distribution is required to improve their generalisability. A step-by-step framework for exercise fatigue detection with machine learning and small data is introduced in this thesis. The framework is implemented in a case study of 48 subjects performing squat exercises, using inertial measurement units and 2D pose estimation to capture movement patterns and correlate these patterns with ratings of perceived exertion. The results are analysed in terms of generalisability, including different numbers of classes and subjects, class imbalances, k-fold cross-validation, oversampling, inter-individual variability, evaluation metrics, and evaluation types. Based on a comparison between inertial units and 2D pose estimation, it is concluded that 2D pose estimation can be used for fatigue detection. From the literature survey and case study, it is also concluded that most exercise fatigue detection models trained on small data sets may not perform well in a real-world application.

Diese Arbeit leistet einen Beitrag zum Bereich des Human-Centred Computing, indem sie Strategien und Fallstricke für die Entwicklung generalisierbarer maschineller Lernmodelle für die sensorgestützte Erkennung von Erschöpfung mit kleinen Datenmengen untersucht. Maschinelles Lernen steht bei der Erkennung von Erschöpfung aufgrund der Knappheit der verfügbaren Daten vor mehreren Herausforderungen, da die Erschöpfungsforschung aufgrund des hohen Zeit- und Arbeitsaufwands für die Planung, Durchführung und Analyse von Studien mit menschlichen Probanden in der Regel auf Stichprobendaten einer begrenzten Anzahl von Probanden angewiesen ist. Obwohl Modelle des maschinellen Lernens robuste Vorhersagen liefern können, selbst wenn sie auf kleinen Datensätzen trainiert werden, ist eine sorgfältige Berücksichtigung der Variabilität und der Datenverteilung erforderlich, um ihre Generalisierbarkeit zu verbessern. In dieser Arbeit wird ein schrittweiser Leitfaden für die Erkennung von Erschöpfung durch maschinelles Lernen und kleine Datenmengen vorgestellt. Der Leitfaden wird in einer Fallstudie mit 48 Probanden implementiert, die Kniebeugeübungen durchführen. Dabei werden Inertial Measurement Units und 2D Pose Estimationverwendet, um Bewegungsmuster zu erfassen und diese Muster mit den Bewertungen der wahrgenommenen Erschöpfung zu korrelieren. Die Ergebnisse werden im Hinblick auf ihre Generalisierbarkeit analysiert, einschließlich unterschiedlicher Anzahlen von Klassen und Probanden, Klassenungleichgewichten, k-fold Kreuzvalidierung, Überstichproben, interindividueller Variabilität, Bewertungsmetriken und Bewertungsarten. Ein Vergleich zwischen Inertial Measurement Units und 2D Pose Estimation führt zu dem Schluss, dass 2D Pose Estimation für die Erschöpfungsserkennung verwendet werden kann. Aus der Literaturübersicht und der Fallstudie geht hervor, dass die meisten Modelle zur Erkennung von Erschöpfung, die auf kleinen Datensätzen trainiert wurden, in der Praxis nicht generalisieren.