Titelaufnahme

Titel
Design und Implementierung eines tragbaren Früherkennungsgerätes für Schlaganfälle
Weitere Titel
Design and implementation of an early detection device for stroke
VerfasserSchütz, Niklas
GutachterGöschka, Karl Michael
Erschienen2017
Datum der AbgabeFebruar 2017
SpracheDeutsch
DokumenttypBachelorarbeit
Schlagwörter (DE)Schlaganfallfrüherkennung / Neuronale Netze / MEMS-Beschleunigungssensoren / MEMS-Gyroskop
Schlagwörter (EN)stroke early detection / neural networks / MEMS-Accelerometers / MEMS-gyrometer
Zugriffsbeschränkung
 _
Klassifikation
Zusammenfassung (Deutsch)

Diese Arbeit befasst sich mit dem Design und der Implementierung eines Gerätes

zur Früherkennung von Herz-Kreislauf-Erkrankungen, insbesondere Schlaganfallen.

Basierend auf tragbaren Sechsachsen-Beschleunigungssensoren sollen menschliche

Bewegungen gemessen, klassifiziert und unnaturliche Bewegungen - wie zum Beispiel

die einseitige Korperlähmung bei Schlaganfällen - erkannt werden. Die rohen Beschleunigungsdaten

werden am Beschleunigungssensor durch eine DMP (Digital Motion Processing)

Einheit in Quaternionen transformiert und zu Eulerwinkel umgerechnet. Die

rohen Daten, die Eulerwinkel und die rohen Daten mit extrahierter Erdbeschleunigung

werden anschließend durch ein WLAN-Modul an ein Endgerät übertragen. Dort erfolgt

die Analyse durch ein künstliches neuronales Netz (KNN). Das KNN wurde mit Trainingsdaten

von 12 verschiedenen Alltagsbewegungen trainiert.

Um die Funktionsfähigkeit des Geräts zu testen wurden Testdaten der einzelnen

Bewegungsabläufe aufgenommen. Die Tests liefen bei geringer Anzahl an unterschiedenen

Bewegungen vorwiegend positiv. Jedoch fielen sie mit steigender Anzahl der

Tatigkeiten immer schlechter aus. Durch die Ergebnisse wurde erkannt, dass die Abtastrate

des Sensors zu langsam ist und Fast-Fourier-Transformation angewandt werden

sollte, um die Signale noch gründlicher analysieren zu konnen.

Zusammenfassung (Englisch)

This thesis deals with the design and implementation of an early detection system for

cardiovascular diseases, especially stroke.

Based on 6-axis-accelerometers human activities are supposed to be measured and

classified. Then unnatural movements should be distinguished from normal movements to recognize

possible partial paralysis. The raw accelerometer data is processed by a DMP

(digital motion processing) unit and transformed to quaternions which can be converted

to Euler angles. The raw data, the Euler angles and the raw data due to gravity

are then transmitted to a terminal via a WLAN-module. There the data is analyzed by

an articial neuron network (ANN). The ANN was trained with 12 different activities

of daily living (ADL).

To test the functionality of the device test data for the ADLs was recorded. With

a small number of activities the test had positive results. However, with an increase of

activities the outcome got worse. The bad results showed, that the sample rate of the

device is to slow, and that fast-fourier-transformation should be practiced to analyze

the data in more detail.