Yuan Shi, Nihir Chadderwala, Ujjwal Ratan
Das Ziel dieser Studie ist die Entwicklung eines Klassifizierungsmodells, das Daten zur menschlichen Kinematik präzise und effizient kennzeichnen kann. Kinematikdaten liefern Informationen über die Bewegung von Personen, indem Sensoren am menschlichen Körper angebracht werden und deren Geschwindigkeit, Beschleunigung und Position in drei Dimensionen verfolgt werden. Diese Datenpunkte sind im C3D-Format verfügbar, das numerische Daten enthält, die aus von den Sensoren erfassten 3D-Daten transformiert wurden. Die Datenpunkte können zur Analyse der Bewegungen von verletzten Patienten oder Patienten mit körperlichen Erkrankungen verwendet werden. Um eine genaue Ansicht der Bewegungen zu erhalten, müssen die von den Sensoren generierten Datensätze richtig gekennzeichnet werden. Aufgrund von Inkonsistenzen im Datenerfassungsprozess gibt es Fälle, in denen die Markierungen fehlende Daten oder Beschriftungen aufweisen. Die fehlenden Beschriftungen sind ein Hindernis bei der Bewegungsanalyse, da sie Rauschen verursachen und unvollständige Datenpunkte der Sensorpositionierung in dreidimensionalen Räumen erzeugen. Die manuelle Kennzeichnung der Daten erfordert erheblichen Aufwand im Analyseprozess. In diesem Artikel beschreiben wir Ansätze zur Vorverarbeitung der Kinematikdaten aus ihrem Rohformat und zur Kennzeichnung der Datenpunkte mit fehlenden Markierungen mithilfe von Klassifizierungsmodellen.