TU Darmstadt / ULB / TUprints

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 (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
Conference or Workshop Item, Secondary publication, Publisher's Version

[img] Text
Maschinelles_Lernen_fuer_die_Situationserkennung_einer_aktiven_Kniegelenkorthese.pdf
Copyright Information: CC BY 4.0 International - Creative Commons, Attribution.

Download (626kB)
Item Type: Conference or Workshop Item
Type of entry: Secondary publication
Title: Maschinelles Lernen für die Situationserkennung einer aktiven Kniegelenkorthese
Language: German
Date: 15 April 2024
Place of Publication: Darmstadt
Year of primary publication: 2021
Place of primary publication: Darmstadt
Book Title: Digital‐Fachtagung VDI MECHATRONIK 2021
Event Title: 14. VDI/VDE Mechatronik-Tagung 2021
Event Location: Darmstadt, Germany (online)
Event Dates: 24.-25.03.2021
DOI: 10.26083/tuprints-00026959
Corresponding Links:
Origin: Secondary publication service
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.

Alternative Abstract:
Alternative AbstractLanguage

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.

English
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-269593
Classification DDC: 000 Generalities, computers, information > 004 Computer science
600 Technology, medicine, applied sciences > 610 Medicine and health
600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
600 Technology, medicine, applied sciences > 621.3 Electrical engineering, electronics
Divisions: 18 Department of Electrical Engineering and Information Technology > Measurement and Sensor Technology
Date Deposited: 15 Apr 2024 09:53
Last Modified: 25 Sep 2024 07:20
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/26959
PPN: 518160181
Export:
Actions (login required)
View Item View Item