Projekt

Objektive Gesundheitsdaten von Patienten außerhalb des Labors sind wichtig, um die Symptome zu analysieren, die im Labor nicht reproduzierbar sind. Ein einfaches Alltagsbeispiel wäre, wie die Schrittlänge sich mit Müdigkeit oder Stress ändert. Um dies zu untersuchen, müssen wir der Lage sein, einen Schritt aus dem täglichen Leben exakt zu segmentieren, um ein akkurates Maß der Dauer und Distanz zu erhalten. State-of-the-Art-Methoden verwenden getrennte Segmentierung und Klassifikation. Dies ist zu ungenau für die Segmentierung einer isolierten Aktivität, insbesondere für eine, die nicht wiederholt ausgeführt wird. Dies könnte durch ein Modell gelöst werden, das auf der Sequenz von Phasen innerhalb von Aktivitäten aufbaut. Ein solches Modell ist ein grafisches Modell. Derzeit arbeiten wir mit Conditional Random Fields und hierarchischen Hidden-Markov-Modellen. Die Anwendungen beinhalten Aktivitäten aus dem Sportbereich und aus dem täglichen Leben.