Maskinlæring for bevegelsesanalyse
Bachelor thesis
Permanent lenke
https://hdl.handle.net/11250/3137517Utgivelsesdato
2024Metadata
Vis full innførselSamlinger
Beskrivelse
Full text not available
Sammendrag
Mange mennesker blir eldre og eldre i dagens samfunn. Parallelt med at folk blir eldre senkes livskvaliteten og fører med seg ulike fysiske og psykiske skader. Det er bevist at fysisk helse har en stor innvirkning på sunn aldring og kan forhindre ulike skader. For å oppnå dette er det viktig for folk å få inn nok bevegelse i hverdagen. Treningsspill kan motivere til lavterskel trening som skal motvirke inaktivitet. Ved å bruke maskinlæring sammen med treningsspill kan bevegelsesevalueringen tilpasses ulike typer mennesker, noe som kan forbedre poenggivning og tilbakemelding, og føre treningsspill inn i en mer seriøs sammenheng.
I denne bacheloroppgaven jobbet gruppen med å skape en prosesskjede for å kunne designe og bruke maskinlæringsmodeller som skal klassifisere bevegelser etter ulike kategorier. For å utføre oppgaven ble det skapt egen bevegelsesdata og trente opp to forskjellige modeller, hvorav disse modellene ble testet på bevegelsesdata i sanntid. Many people are getting older in today's society. While people are getting older, the quality of life is getting lower and leads to various physical or psychological issues. Physical health has been proven to have a major impact on healthy aging and can prevent various injuries. To achieve this, it is important for people to get enough movement into their everyday life. Exergames can motivate low-threshold training to counteract inactivity. By using machine learning with with exergames, the movement evaluation can be adapted to different types of people, which can improve scoring and feedback, and bring training games into a more serious context.
In this bachelor's thesis, the group worked on creating a pipeline to be able to design and use machine learning models that can classify movements according to different categories. Separate movement data was created and two different models were trained, of which these models were tested on movement data in real time.