Elektrotechnik: Die Texas-OWL-Connection 2.0 Studierende von HSBI und Texas A&M University arbeiten an gemeinsamem KI-Projekt zur Erkennung menschlicher Aktivitäten

Unter der Leitung von Prof. Stavros Kalafatis (TAMU) und Prof. Dr.-Ing. Rüdiger Schultheis (HSBI) wurde nun bereits zum zweiten Mal ein Projekt definiert, bei dem zwei Projektgruppen, bestehend aus jeweils zwei Studierenden beider Universitäten, eng zusammenarbeiten. Man trifft sich im digitalen Zoom-Raum, um regelmäßige Projektmeetings abzuhalten und den weiteren Fortgang zu besprechen. „So funktioniert Internationalisierung im digitalen Zeitalter - auch ohne reisen. Natürlich ist die Projektsprache Englisch – das kann durchaus anstrengend sein, aber es funktioniert gut“, berichten die zwei Studenten des Fachbereichs IuM.

In diesem Semester lag die Herausforderung in der Erkennung menschlicher Aktivitäten mithilfe von Sensordaten und Künstlicher Intelligenz („KI“). Hintergrund ist die Unterstützung therapeutischer Arbeiten auf dem Gebiet der Physiotherapie, Rehabilitation, etc. mit modernen KI-gestützten Multisensorsystemen, die auf der Basis von digitaler Kommunikation und maschinellem Lernen Bewegungsmuster und Stresszustände von Patientinnen und Patienten erkennen und bewerten kann. „Wesentliches Merkmal ist dabei, dass die Informationen via Internet an die Therapeuten gelangen können, so dass sich dieser auch weit ab vom Patienten befinden kann“, erklären die vier Projektteilnehmer.

Das Projekt gliedert sich in vier Schlüsselbereiche:

1. Datensammlung und -vorverarbeitung: Dieser Bereich wurde von Simon Thiede (HSBI) übernommen. Er umfasst das Sammeln von Beschleunigungs- und Gyroskop-Daten sowie deren Bereitstellung über eine drahtlose Schnittstelle (i.e. Blue Tooth Low Energy).

2. Implementierung des KI-Modells: Dieser Bereich wurde von Rauf Taghi (TAMU) bearbeitet. Das Kernstück des Projekts liegt in der Entwicklung einer KI-Architektur, die speziell auf die Erkennung menschlicher Aktivitäten ausgerichtet ist. Hierbei steht die Optimierung des Modells für eine präzise Erkennung von Bewegungsmustern im Fokus.

3. Datenbankverwaltung: Dieser Bereich wurde Noah Wübbenhorst (HSBI) bearbeitet. Eine effiziente Datenverwaltung ist für den Erfolg jedes KI-Projekts entscheidend. Dieser Bereich widmet sich der Organisation, Speicherung und Abrufung von Daten, die für das Training und Testen des Erkennungsmodells unerlässlich sind.

4. Entwicklung der mobilen App: Dieser Bereich wurde von Julian Ligon (TAMU) übernommen. Die Entwicklung einer benutzerfreundlichen mobilen Anwendung, die das KI-Modell zur Erkennung menschlicher Aktivitäten integriert, bildet den Abschluss des Projekts. Diese App soll als praktisches Werkzeug für Anwendungen in der realen Welt dienen, von der Gesundheitsüberwachung bis hin zur Sportanalyse.

Ergebnisse und Ausblick:

Während der Projektphase konnte die Funktionsfähigkeit des Gesamtsystems unter Beweis gestellt werden. So können die Bewegungsdaten des Patienten aufgenommen, via Blue-Tooth-Mobilfunkstandard auf die App eines Smart-Phones übertragen werden und von dort mittels einer WLAN-Verbindung den Weg auf einen Server finden, der dann mithilfe von KI-Modellen die Bewegungsmuster herausfindet.  Die entwickelten Modelle und Anwendungen zeigen vielversprechende Ergebnisse bei der Erkennung menschlicher Aktivitäten. So können derzeit bereits Bewegungen wie Stehen, Sitzen, Gehen und auch Liegen mit einer Genauigkeit von mehr als 99% bestimmt werden. Bei Bewegungen, die die Arme betreffen, wurde bereits eine Genauigkeit von mehr als 90% erzielt.  Die Datensammlung und -vorverarbeitung sowie die Implementierung des KI-Modells wurden erfolgreich abgeschlossen.

Im Rahmen von zukünftigen Arbeiten sei es laut der Projektgruppe denkbar die Datensammlung und -vorverarbeitung um zusätzliche Sensordatenquellen zu erweitern, um ein breiteres Spektrum an Bewegungen zu erfassen. Beispielsweise könne ein weiteres Sensorpaket am Bein die Auswertung von Schrittmustern ermöglichen. Das KI-Modell könne zudem durch fortlaufende Trainingsdaten und Implementierung neuer KI-Techniken verbessert werden. Weiterhin sei das Auswerten der Bewegungsintensität und -qualität durch das Trainieren dieser Parameter denkbar. Ebenso könne die Datenbankverwaltung durch die Einführung von fortschrittlicheren Datenmanagement-Tools und effizienteren Speichertechnologien sowie einem verbesserten Benutzerinterface weiterentwickelt werden. Ebenso seien weitere Arbeiten an der mobilen App sinnvoll wie beispielsweise ein Benutzerfeedback zum Patienten oder die Integration zusätzlicher Funktionen wie eine Benutzerverwaltung.

Prof. Dr.-Ing. Rüdiger Schultheis äußerte seine Begeisterung für die internationale Zusammenarbeit mit der Texas University, die nunmehr seit zwei Jahren besteht: „Solche Aktivitäten ermöglichen es unseren Studierenden bereits während des Studiums ohne Zeitverlust in internationalen Teams an anspruchsvollen High-Tec-Themen mitzuarbeiten und damit auf die Anforderungen einer globalen Arbeitswelt, die besonders in der Elektrotechnik vorliegt, vorbereitet zu sein“.

„Der Charme der digitalen Kooperation liegt für uns Studierende aber auch in der massiven Reduktion der Kosten. Austauschprogramme mit dem Technologietreiber USA sind nach wie vor für mit sehr hohem finanziellem Aufwand verbunden. Den kann und möchte vielleicht auch nicht jeder aufbringen. So geht es kostenfrei“, ergänzen die Projektbeteiligten die Vorteile und freuen sich über das gelungene Projektergebnis. (studentischer Beitrag, cf/rs)