IMU-based smart fitness devices for weight training

Abstract

Die automatische Datenerfassung und -analyse von sportlichen Aktivitäten wurde in den letzten Jahren immer wichtiger. Sie hilft Sportlern ihre Fortschritte zu kontrollieren und ihre Trainingseffekte zu maximieren. In Ausdauersportarten, wie Radfahren oder Laufen, ist eine automatische Trainingserfassung bereits sehr verbreitet und wird von zahlreichen Geräten unterstützt. In anaeroben Sportarten, vor allem im Krafttraining, erfolgt die Trainingserfassung jedoch nach wie vor hauptsächlich manuell, was eine mühsame Aufgabe darstellt. Diese Arbeit untersucht das Problem der automatischen Erfassung und Analyse von Kraftsportübungen durch den Einsatz von energiesparenden intelligenten Fitnessgeräten basierend auf inertialen Messeinheiten (engl. inertial measurement units, IMUs), bestehend aus drei orthogonalen Beschleunigungs- und Drehratensensoren. Trainingserfassung bezeichnet in diesem Zusammenhang die Erkennung der Übungsart, der Anzahl der Wiederholungen sowie die Bestimmung von weiteren Metriken wie Timing, Intensität oder Geschwindigkeit. Zu diesem Zweck werden grundlegende Signalverarbeitungsverfahren untersucht und auf die konkrete Problemstellung angewendet. Um ein besseres Verständnis von Bewegung und Ausrichtung zu erhalten, werden mittels Sensor-Fusion und verschiedenen Filtertechniken die Position und Orientierung des Geräts aus den originalen Beschleunigungs- und Winkelgeschwindigkeitssignalen der Sensoren abgeschätzt. Der resultierende Datenstrom wird durch die Erkennung von Minima/Maxima im vertikalen Positionsprofil in einzelne Wiederholungen segmentiert. Anschließend werden zur Ermittlung des Übungstyps verschiedene Klassifikationsverfahren, darunter Support Vector Machines (SVMs), Hidden Markov Models (HMMs) und Nächste-Nachbarn-Klassifikatoren basierend auf dem Dynamic-Time-Warping (DTW) Abstandsmaß, verwendet. Das datenbasierte Klassifikationssystem wird mittels überwachtem Lernen trainiert. Eine High-Level-Implementierung der entwickelten Methoden wird in Matlab durchgeführt. Darüber hinaus wird eine Proof of Concept Umsetzung auf einem speziell angefertigten eingebetteten System realisiert, wobei hier auf eine gute Echtzeit-Performance und einen sparsamen Umgang mit begrenzten Ressourcen geachtet werden muss. Abschließend erfolgt eine umfassende Evaluierung, in der zehn verschiedene Personen sieben ausgewählte Kurzhantel-Übungen durchführen. Basierend auf einer Kreuzvalidierung der aufgezeichneten Daten erreicht der entwickelte Prototyp eine Segmentierungs-Fehlererkennungsrate von 1.5 %, eine Klassifikations-Genauigkeit von 99.7 % und eine durchschnittliche Antwortzeit von ca. 300 ms. Zusammenfassend zeigen die Ergebnisse, dass die spezifizierten Anforderungen erfüllt werden und dass eine genaue und schnelle Erfassung von ausgewählten Kraftsportübungen möglich ist.

The automated tracking and analysis of sport activities has become increasingly important in the recent years. It helps athletes to monitor their progress and to maximise their training effects. In endurance sports, like cycling or running, tracking is already very common and supported by numerous devices and software. However, in anaerobic exercises, especially in weight training, the tracking, is still done mainly manually, which is a tedious task. This thesis aims at exploring the problem of automated tracking and analysing of weight training exercises by the use of low-power smart fitness devices based on inertial measurement units (IMUs), sensors containing three orthogonal accelerometers and rate gyroscopes. Tracking in this context refers to identifying the type of the exercise, counting the number of repetitions as well as determining fitness-related metrics like timing, intensity or tempo. Therefore, basic signal processing approaches are studied and applied to the specific problem domain. To obtain a better understanding of motion and pose, sensor fusion and various filtering techniques are used to estimate position and orientation from the raw linear acceleration and angular velocity signals provided by the inertial sensors. The resulting data stream is then segmented into single repetitions by detecting peaks and valleys in the vertical position profile. Afterwards, to identify the exercise type, different data representations and state-of-the-art classification methods, including support vector machines (SVMs), hidden Markov models (HMMs) and nearest neighbours classifiers based on the dynamic time warping (DTW) distance metric, were applied. The data-based classification system is trained using supervised learning. For rapid prototyping, a high-level implementation of the proposed methods is done in Matlab. Furthermore, a proof-of-concept approach is implemented on a purpose-built constrained embedded system, where real time performance and the economical use of limited resources have to be considered. Finally, a comprehensive evaluation is done, where ten different subjects are asked to perform seven selected dumbbell exercises. Based on cross-validation of the recorded data, the proposed prototype achieves a segmentation misdetection rate of 1.5 %, a classification accuracy of 99.7 % and an average response time of about 300 ms. In conclusion, the results show that the initially specified requirements are met and that an accurate and fast tracking of selected weight training exercises is possible.