- AutorIn
- Dr. Marika Kaden SICIM, HS Mittweida
- Thomas PfaffSICIM, HS Mittweida
- Danny MöbiusInstitut Chemnitzer Maschinenbau (ICM), Chemnitz
- Prof. Dr. Thomas Villmann
- Titel
- Machine Learning for Robust Gait Recognition in Uncontrolled Environments
- Untertitel
- A Two-Stage Approach with Bias Mitigation
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:ch1-qucosa2-1052020
- Übersetzter Titel (DE)
- Maschinelles Lernen für eine robuste Gangart-Erkennung in unkontrollierten Umgebungen : Ein zweistufiger Ansatz mit Biasreduzierung
- Konferenz
- 15. SAXSIM - SAXON SIMULATION MEETING. Chemnitz, 17.03.2026
- Quellenangabe
- 15. SAXON SIMULATION MEETING : Präsentationen und Vorträge des 15. Anwendertreffens am 17. März 2026 an der Technischen Universität Chemnitz
- DOI
- https://doi.org/10.51382/978-3-96100-316-7_v13
- Abstract (DE)
- Genaue Gangphasenerkennung ist wichtig in Rehabilitation, Medizin und Sport. Aktuelle Machine-Learning-Modelle werden oft in kontrollierten Umgebungen trainiert, was ihre Anwendbarkeit in anderen Umgebungsszenarien einschränkt und eine Anpassung erfordert, für die in der Praxis nicht immer gelabelten Daten verfügbar sind. Diese Arbeit stellt eine Transfer-Learning-Strategie vor, die gelabelte Trainingsdaten mit ungelabelten Daten aus einer neuen Umgebung kombiniert. Zuerst wird ein interpretierbarer Klassifikator verwendet, um umgebungsbedingte Verzerrungen zu minimieren. Anschließend wird ein robustes, smartes Lernmodell mit Ablehnungsoption für unsichere Entscheidungen eingesetzt, um die Gangphasenerkennung zu verbessern.
- Abstract (EN)
- Accurate gait phase detection is important in rehabilitation, medicine, and sports. Current machine learning models are often trained in controlled environments, which limits their applicability in other settings and requires adaptation - a process for which labeled data is not always available in practice. This work presents a transfer learning strategy that combines labeled training data with unlabeled data from new environment. First, an interpretable classifier is used to minimize environment- induced bias. Subsequently, a robust, smart learning model with a rejection option for uncertain decisions is employed to improve gait phase detection.
- Freie Schlagwörter (DE)
- Erkennung der Gangphase, Minderung von Datenverzerrungen, Klassifizierung mit Sicherheit (Ablehnungsstrategien)
- Freie Schlagwörter (EN)
- Gait phase recognition, data bias mitigation, classification with certainty (rejection strategies)
- Klassifikation (DDC)
- 620
- Normschlagwörter (GND)
- Maschinelles Lernen, Ganganalyse
- Herausgeber (Institution)
- Technische Universität Chemnitz, Chemnitz
- Verlag
- Universitätsverlag Chemnitz, Chemnitz
- Version / Begutachtungsstatus
- angenommene Version / Postprint / Autorenversion
- URN Qucosa
- urn:nbn:de:bsz:ch1-qucosa2-1052020
- Veröffentlichungsdatum Qucosa
- 04.08.2026
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Englisch
- Lizenz / Rechtehinweis
CC BY-SA 4.0