Erfassung, Erkennung und qualitative Analyse von menschlicher Bewegung

Ebert, André (2019): Erfassung, Erkennung und qualitative Analyse von menschlicher Bewegung. Dissertation, LMU München: Fakultät für Mathematik, Informatik und Statistik

Abstract

Visionen vom Internet of Things und der nahtlosen Einbettung der virtuellen Welt in den physischen Alltag des Menschen sind durch ubiquitäre Vernetzung, stationäre und mobile Computer sowie miniaturisierte Sensorik längst Realität geworden. Zusammen mit Algorithmen des Data Minings und der künstlichen Intelligenz werden so kontextsensitive Dienste und vernetzte Alltagsgegenstände geschaffen, welche einen immensen Mehrwert im privaten, kommerziellen und industriellen Raum schaffen. Im Rahmen dieses Szenarios vielbeachtete Forschungsgebiete sind die Erschließung von menschlichem Kontext und die menschliche Aktivitätserkennung mithilfe von mobiler Sensorik. Während es auf dem Gebiet der rein quantitativen Erkennung von menschlicher Aktivität bereits viele Verfahren zur Vorhersage und Erkennung von Bewegungsereignissen auf Basis von Bewegungs- oder Tiefeninformationen sowie visueller Sensorik gibt, sind Konzepte zur feingranularen, automatisierten Analyse mit qualitativem Schwerpunkt bislang kaum existent. Typische Anwendungsgebiete für diese sind zum Beispiel die Identifikation von Notfallsituationen im medizinischen Bereich oder die Erkennung von Fehlstellungen und Anomalien bei physischer, menschlicher Aktivität. Um solche Fragestellungen aus dem Bereich der Erfassung, Erkennung und qualitativen Analyse von menschlicher Bewegungsaktivität zu adressieren, wird in dieser Arbeit zunächst ein ganzheitliches, verteiltes Sensorsystem, welches auf Basis von Bewegungsinformationen menschliche Bewegungsaktivität untersucht, spezifiziert. Anschließend wird ein Vorgehen zur automatisierten und qualitativen Analyse individueller, wiederkehrender, menschlicher Bewegungsereignisse, mithilfe eines adaptiven Segmentierungsverfahrens und eines Konzepts zur Formalisierung und Diskretisierung von subjektiven Qualitätsmerkmalen in menschlichen Bewegungsabläufen, vorgestellt. Im Anschluss steht die qualitative Untersuchung von nicht vorhersehbarer, menschlicher Bewegungsaktivität im Fokus. Hierzu werden neue Konzepte zur Segmentierung und zur generischen Projektion der physischen, menschlichen Leistung des Menschen auf diskrete Merkmalsvektoren vorgestellt. Zusammengefasst stellt die vorliegende Arbeit ein umfassendes Paket zur generischen Untersuchung von menschlicher Bewegungsaktivität vor. Mit diesem lassen sich quantitative und qualitative Analysen von Bewegungsaktivität für sowohl wiederkehrende als auch für nicht vorhersehbare, menschliche Bewegungsereignisse effizient umsetzen.

Abstract

The visions created by the Internet of Things, which encompass the seamless embedding of the virtual world into daily human life have become reality by now. One important reason for that is the ubiquitous availability of fast communication connections, of stationary as well as of mobile computers, and of miniaturized sensors and wearables. Thereby, the combination of this infrastructure along with data mining algorithms and concepts of artificial intelligence allow the creation of context-aware services and interconnected items of daily life, which provide vast added value for potential users. Related to that, the recognition of human activity by using mobile sensors as a basis and the extraction of human context are currently much-noticed aspects within this field of research. By now, concepts focusing on quantitative recognition of human activity are a well studied area while examinations targeting qualitative analysis are currently handled only sparsely. Typical szenarios of usage for such concepts, which target qualitative analysis, are, e.g., the detection of emergency cases within medical environments or of anomalies within human movement during the conduction of physical activities. In order to target research questions related to these qualitative topics, a holistic, distributed sensor system, which is capable of capturing and analyzing human motion is developed within this work at first. Subsequently, a concept for automated, qualitative assessment of individual, recurrent human motion events is presented. Therefore, it makes usage of a new adaptive segmentation algorithm and proposes an advance for formalization and discretization of subjective characteristics of quality within physical human activities. Afterwards, this work deals with the qualitative analysis of non-recurrent human motion. For this purpose, new concepts of segmentation are necessary and a new approach for generic projection of physical human performance onto discrete feature vectors is introduced. To sum up, this thesis presents a comprehensive package for generic analysis of human motion activity. Therefore, it enables the detailed and efficient examination of recurrent as well as of non-recurrent human motion and moreover, allows a qualitative as well as a quantitative focus of analysis.

• Dokumententyp: Dissertationen (Dissertation, LMU München)
• Keywords: Human Activity Recognition, Physical Exercise Analysis, Analysis of Climbing Motion, Machine Learning, Feature Engineering
• Themengebiete: 000 Allgemeines, Informatik, Informationswissenschaft ; 000 Allgemeines, Informatik, Informationswissenschaft > 004 Informatik
• Fakultäten: Fakultät für Mathematik, Informatik und Statistik
• Sprache der Hochschulschrift: Deutsch
• Datum der mündlichen Prüfung: 11. April 2019
• 1. Bericht­erstatter:in: Linnhoff-Popien, Claudia