Studien-/Abschlussarbeit - Locomotion Mode Classification mit Biosignalen und Health-App Daten

Ausschreibung für die Fachrichtung wie z. B.: Automatisierungstechnik, Informatik, Kybernetik, Regelungstechnik, Softwaredesign, Softwareengineering, technische Informatik, Medizintechnik oder vergleichbare. Arthrose ist eine der häufigsten degenerativen Gelenkerkrankungen und stellt eine erhebliche Belastung für die Lebensqualität der Betroffenen dar. Ein präzises Monitoring von Gelenkbelastungen kann helfen, individuelle Handlungsempfehlungen abzuleiten, um das Fortschreiten der Erkrankung zu verlangsamen und therapeutische Maßnahmen gezielt zu unterstützen.Die Schätzung von Kniekräften und -momenten mithilfe von Biosignalen und Deep-Learning-Ansätzen – insbesondere auf Basis von Temporal Convolutional Networks (TCN) – ist für Laufbewegungen bereits etabliert. Bei anderen Fortbewegungsformen, in denen das Knie nur teilweise oder andersartig belastet wird (z. B. Radfahren), stößt dieses Regressionsmodell jedoch an seine Grenzen.Eine vorgelagerte Locomotion Mode Classification mit anschließender belastungsspezifischer Modellselektion stellt daher einen vielversprechenden Ansatz dar. Hier sorgen Sie für Veränderung Im Rahmen dieser Arbeit soll ein Machine-Learning-Modell entwickelt werden, das auf Basis von Beschleunigungssensordaten unterschiedliche Lokomotionsmodi (z. B. verschiedene Gangarten, ggf. zyklische Bewegungsformen wie Radfahren) zuverlässig klassifiziert.Für Laufbewegungen steht eine umfangreiche Datengrundlage aus einer Studie mit acht Gangprofilen zur Verfügung. Diese Daten wurden mithilfe von OpenSim analysiert, um interne Kräfte und Momente zu bestimmen. Ein TCN wurde bereits als datengetriebenes Ersatzmodell etabliert und schätzt Kniekräfte und -momente aus Zeitreihendaten der Beschleunigungssensorik. Ziel der Arbeit ist es, den Anwendungsbereich auf weitere Lokomotionsmodi zu erweitern und eine integrierte Klassifikations- und Modellpipeline zu entwickeln. Identifikation und Definition relevanter Lokomotionsmodi im Kontext der Kniebelastung Entwicklung eines Machine-Learning-Modells zur Klassifikation von Zeitreihendaten Locomotion Mode Classification) Integration der Klassifikation in eine belastungsspezifische Modellselektion bzw. adaptive Erweiterung des bestehenden TCN-Regressionsmodells Validierung und Evaluation hinsichtlich Genauigkeit, Robustheit und Echtzeitfähigkeit Untersuchung, wie die Ergebnisse zur Ableitung individualisierter Handlungsempfehlungen genutzt werden können