Please use this identifier to cite or link to this item:
https://doi.org/10.21256/zhaw-26498Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | Kühnis, Benjamin | - |
| dc.contributor.author | Bührer, Nils | - |
| dc.date.accessioned | 2022-12-21T13:11:02Z | - |
| dc.date.available | 2022-12-21T13:11:02Z | - |
| dc.date.issued | 2022 | - |
| dc.identifier.uri | https://digitalcollection.zhaw.ch/handle/11475/26498 | - |
| dc.description.abstract | Nachdem Personen einen Schlaganfall erlitten haben, wird mittels mehrerer Übungen untersucht, ob Beeinträchtigungen vorhanden sind. Diese Übungen werden im Normalfall von medizinischem Fachpersonal begutachtet. Bei einer dieser Übung handelt es sich um das Trinken aus einem Glas. Das Ziel dieser Arbeit ist es, diese Trinkbewegungen automatisch mit Deep-Learning-Modellen zu bewerten. Dazu werden Videos von Personen erstellt, welche ein Glas anheben, daraus trinken und es anschliessend wieder hinstellen. Bei der einen Hälfte der Videos handelt es sich um natürliche Trinkbewegungen, bei der anderen Hälfte wird eine kompensierende Bewegung simuliert. Aus den Videos der trinkenden Personen werden die Positionen der wichtigsten Körperteile extrahiert. Die Trinkbewegungen werden analysiert, um Gemeinsamkeiten und Unterschiede zwischen kompensierenden und natürlichen Bewegungen zu finden. Um diese Analyse zu vereinfachen, wurde eine Funktion erstellt, welche die Bewegung der einzelnen Körperteile während des Trinkverlaufes grafisch darstellt. Die Ergebnisse aus der Analyse haben dabei geholfen, die Trinkphasen zu bestimmen. Die extrahierten Datenpunkte aus den Videos werden nach der Analyse in eine geeignete und einheitliche Form gebracht. Es wurden mehrere Funktionen entworfen, die unterschiedlich eingesetzt werden können. Die Funktionen helfen dabei, verschiedene Ansätze der Klassifikation der Trinkvorgange zu vergleichen. Beim ersten Ansatz werden die Videos dem Deep-Learning-Modell als absolute Datenpunkte übergeben. Die Videos werden so geschnitten, dass der Zeitpunkt, an dem die Hand mit dem Glas den vertikalen Höchstpunkt erreicht hat, exakt in der Mitte ist. Bei einem weiteren Ansatz werden die Datenpunkte der Videos zentriert, bevor sie an die Modelle übergeben werden. Ausserdem wurde ein Ansatz überprüft, bei dem die Distanz zwischen jedem Körperteil und dem Kopf berechnet wird. Bei jedem Ansatz wurden mehrere Varianten der Frame- und Neuronenanzahl geprüft. Es werden mehrere Long-Short-Term-Memory- (LSTM) und Recurrent-Neural-Network-Modelle (RNN) evaluiert. Es stellt sich heraus, dass die Modelle auch mit nur einem Frame als Input sehr gute Ergebnisse liefern. Bei dem Ansatz, welcher am besten für die Praxis geeignet ist, wurden die Videos in mehrere sich überlagernde Abschnitte unterteilt und mit einem RNN-Modell trainiert. Dieser Ansatz wurde verwendet, um ein Testsystem zu erstellen, bei dem das Livebild der Webcam kontinuierlich klassifiziert wird. Es wird eine Aussage getroffen, wie gross der Anteil der Kompensation während der Trinkbewegung war. Ausserdem wird ein Diagramm erstellt, welches einzelne Zeitabschnitte mit kompensierenden Bewegungen aufzeigt. | de_CH |
| dc.format.extent | 77 | de_CH |
| dc.language.iso | de | de_CH |
| dc.publisher | ZHAW Zürcher Hochschule für Angewandte Wissenschaften | de_CH |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0/ | de_CH |
| dc.subject.ddc | 006: Spezielle Computerverfahren | de_CH |
| dc.subject.ddc | 615: Pharmakologie und Therapeutik | de_CH |
| dc.title | Klassifikation mit Deep Learning im Bereich Ergo- und Physiotherapie | de_CH |
| dc.type | Thesis: Bachelor | de_CH |
| dcterms.type | Text | de_CH |
| zhaw.departement | School of Management and Law | de_CH |
| zhaw.publisher.place | Winterthur | de_CH |
| dc.identifier.doi | 10.21256/zhaw-26498 | - |
| zhaw.originated.zhaw | Yes | de_CH |
| Appears in collections: | BSc Wirtschaftsinformatik | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 2022_Buehrer_Nils_BSc_WI.pdf | 11.69 MB | Adobe PDF |  View/Open |
Show simple item record
Bührer, N. (2022). Klassifikation mit Deep Learning im Bereich Ergo- und Physiotherapie [Bachelor’s thesis, ZHAW Zürcher Hochschule für Angewandte Wissenschaften]. https://doi.org/10.21256/zhaw-26498
Bührer, N. (2022) Klassifikation mit Deep Learning im Bereich Ergo- und Physiotherapie. Bachelor’s thesis. ZHAW Zürcher Hochschule für Angewandte Wissenschaften. Available at: https://doi.org/10.21256/zhaw-26498.
N. Bührer, “Klassifikation mit Deep Learning im Bereich Ergo- und Physiotherapie,” Bachelor’s thesis, ZHAW Zürcher Hochschule für Angewandte Wissenschaften, Winterthur, 2022. doi: 10.21256/zhaw-26498.
BÜHRER, Nils, 2022. Klassifikation mit Deep Learning im Bereich Ergo- und Physiotherapie. Bachelor’s thesis. Winterthur: ZHAW Zürcher Hochschule für Angewandte Wissenschaften
Bührer, Nils. 2022. “Klassifikation mit Deep Learning im Bereich Ergo- und Physiotherapie.” Bachelor’s thesis, Winterthur: ZHAW Zürcher Hochschule für Angewandte Wissenschaften. https://doi.org/10.21256/zhaw-26498.
Bührer, Nils. Klassifikation mit Deep Learning im Bereich Ergo- und Physiotherapie. ZHAW Zürcher Hochschule für Angewandte Wissenschaften, 2022, https://doi.org/10.21256/zhaw-26498.
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.