Các chuyển động tuần hoàn như đi bộ, chạy hoặc đạp xe rất phổ biến trong cuộc sống hàng ngày của chúng ta. Do đó, việc phân tích các chu kỳ này đóng vai trò quan trọng trong cả lĩnh vực y tế, ví dụ như phân tích dáng đi, và lĩnh vực thể dục thể thao, ví dụ như đếm bước chân và phân tích chạy bộ. Đối với các ứng dụng như vậy, cảm biến quán tính là lý tưởng vì chúng di động và không gây cản trở. Mục tiêu của luận văn này là thu thập chuyển động tuần hoàn bằng cảm biến quán tính và sau đó phân tích chúng bằng các kỹ thuật học máy. Hiện nay, việc thiếu dữ liệu thực tế và được chú thích đang hạn chế sự phát triển và ứng dụng các thuật toán cho cảm biến quán tính trong điều kiện không phải phòng thí nghiệm. Điều này là do nỗ lực cần thiết để thu thập và gắn nhãn dữ liệu như vậy. Những đóng góp đầu tiên của luận văn này đề xuất các phương pháp mới để giảm chi phí chú thích cho các tập dữ liệu thực tế, và bằng cách này cho phép gắn nhãn một tập dữ liệu chuẩn lớn. Tính khả thi của tập dữ liệu được chứng minh bằng cách sử dụng nó để đề xuất và kiểm tra một thuật toán mạnh mẽ để nhận dạng hoạt động của con người và phân tích chu kỳ đồng thời. Một trong những phương pháp giảm chi phí chú thích dữ liệu này sau đó được triển khai để phát triển hệ thống phân tích dáng đi di động đầu tiên dành cho bệnh nhân mắc một căn bệnh hiếm gặp và đa dạng, chứng liệt cứng di truyền (HSP). Do đó, luận văn này đã đề xuất và kiểm chứng các thuật toán học máy tiên tiến nhất trong phân tích chu kỳ sử dụng cảm biến quán tính. Kết quả của luận văn này mang lại lợi ích cho cả lĩnh vực y tế và thể dục, cho phép phát triển và sử dụng các thuật toán được huấn luyện và kiểm thử trong môi trường thực tế.

Abstract:

Cyclic motions such as walking, running or cycling are common to our daily lives. Thus, the analysis of these cycles has an important role to play within both the medical field, e.g. gait analysis, and the fitness domain, e.g. step counting and running analysis. For such applications, inertial sensors are ideal as they are mobile and unobtrusive. The aim of this thesis is to capture cyclic motion using inertial sensors and subsequently analyse them using machine learning techniques. A lack of realistic and annotated data currently limits the development and application of algorithms for inertial sensors under non-laboratory conditions. This is due to the effort required to both collect and label such data. The first contributions of this thesis propose novel methods to reduce annotation costs for realistic datasets, and in this manner enable the labelling of a large benchmark dataset. The applicability of the dataset is demonstrated by using it to propose and test a robust algorithm for simultaneous human activity recognition and cycle analysis. One of these methods for reducing annotation costs is then deployed to develop the first mobile gait analysis system for patients with a rare and heterogeneous disease, hereditary spastic paraplegia (HSP). Thus, machine learning algorithms which set the state-of-the-art for cycle analysis using inertial sensors were proposed and validated by this thesis. The outcomes of this thesis are beneficial in both the medical and fitness domains, enabling the development and use of algorithms trained and tested in realistic settings.

Ngôn ngữ:	eng
Tác giả:	Martindale, Christine
Thông tin nhan đề:	Cyclic motion analysis using inertial sensors and machine learning
Nhà xuất bản:	FAU University Press
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Công nghệ thông tin
Bản quyền:	https://creativecommons.org/licenses/by/4.0/
Nguồn gốc:	https://library.oapen.org/handle/20.500.12657/109170
Mô tả vật lý:	201tr
Năm xuất bản:	2020