Grundlegende Problemstellung und Zielsetzung
Allgemein:
Die zielgerichtete Generierung synthetischer Daten stellt einen Aufgabengebiet dar, der in modernen Anwendungen immer mehr an Bedeutung gewinnt. Lösungsansätze werden immer dann benötigt, wenn datengetriebene Algorithmen in Bereichen angewandt werden sollen, in denen entweder die Nutzung der Daten durch Datenschutzrichtlinien verhindert wird oder die Anzahl der vorliegenden Daten unzureichend ist. In beiden Fällen sollen Muster und Strukturen der erzeugten Datensätze möglichst genau denen der Realität entsprechen.
Problem:
Der Realdatensatz der Messungen aus dem ITS.ML Projekt “Transferlernen für Handprothesen im Alltagseinsatz” ist relativ klein und soll durch den Einsatz von ML-basierten Techniken erweitert werden.
Um die Güte der erzeugten Daten anschließend zu bewerten, sollen die Struktur der synthetischen sowie realen Messwerte untersucht und verglichen werden.
Ziel:
Ziel ist die Implementierung der Generierung synthetischer Daten auf der Grundlage zweier unterschiedlicher ML-Verfahren mit anschließender anschaulicher Untersuchung zur Vergleichbarkeit.
Keywords / Stichworte:
ML in der Evolution von Informations- und Kommunikationstechnik; Benchmarking
Technisches System
Der ML-Lösung liegen die Daten aus dem ITS.ML Projekt „Transferlernen für Handprothesen im Alltagseinsatz“ zugrunde.
Die vorliegenden Daten wurden mithilfe des Myo-Gestensteuerungsarmbands erhoben.
Welche Sensoren sind in der Technologie integriert?
- Elektromyographie (EMG) Sensoren
- Beschleunigungssensoren
Welche Daten werden erhoben?
- Elektrische Muskelsignale
- Beschleunigung (m/s^2) (inklusive Richtungsinformation)
Lösungsansatz
ML-Methode:
Hierarchical Modeling Algorithm – Ein Algorithmus, der auf relationalen Datensätzen tabellenweise ein auf Copula-Funktionen basierendes Modell anlernt
TVAE – Ein auf Variational Autoencodern basierender Deep Learning Algorithmus zur Erstellung von synthetischen Daten
