| dc.date.accessioned | 2018-12-13T13:06:48Z | |
| dc.date.available | 2018-12-13T13:06:48Z | |
| dc.date.issued | 2018-12 | |
| dc.identifier | doi:10.17170/kobra-2018120643 | |
| dc.identifier.uri | http://hdl.handle.net/123456789/11014 | |
| dc.description.sponsorship | LOEWE-Forschungsschwerpunkt "Safer Materials - Sichere und zuverlässige Werkstoffe", Teilprojekt B4 | ger |
| dc.language.iso | ger | |
| dc.rights | Urheberrechtlich geschützt | |
| dc.rights.uri | https://rightsstatements.org/page/InC/1.0/ | |
| dc.subject | Kontexterkennung | ger |
| dc.subject | Aktivitätserkennung | ger |
| dc.subject | Assistenzsysteme | ger |
| dc.subject | Eyetracking | ger |
| dc.subject | Blickerfassung | ger |
| dc.subject | Optimierung | ger |
| dc.subject | Feature Engineering | ger |
| dc.subject | Künstliche Intelligenz | ger |
| dc.subject | Arbeitswissenschaften | ger |
| dc.subject.ddc | 620 | |
| dc.title | Proaktive Tätigkeitsunterstützung | ger |
| dc.type | Dissertation | |
| dcterms.abstract | In der vorliegenden Dissertation wird eine Methode zur Identifikation von durchgeführten Tätigkeiten anhand der Pupillendynamik entwickelt. Dieses Methode bildet die Grundlage für eine kontextabhängige Unterstützung bei der Durchführung von Tätigkeiten durch ein Nutzerassistenzsystem. Hierzu werden aus der Literatur Merkmale zusammengetragen, die sich aus der Pupillendynamik ableiten lassen und sich zur Kontexterkennung eignen. Aufbauend auf diesen grundlegenden Merkmalen, werden differenziertere Merkmale entwickelt, die anschließend zur Kontextidentifikation herangezogen werden. Die Aussagekraft der zusammengetragenen und entwickelten Merkmale zur Klassifikation von Tätigkeiten in Verbindung mit einem künstlichen neuronalen Netzwerk wird ermittelt. Hierzu werden Tätigkeiten definiert, welche industrietypischen Tätigkeiten entsprechen. Bei der Durchführung dieser Tätigkeiten wird die Pupillendynamik mit Hilfe eines Blickerfassungssystems bei 9 Probanden erfasst. Hieraus werden die Merkmale extrahiert mit denen ein künstliches neuronales Netzwerk trainiert wird, um einen Klassifikator zu generieren, der in der Lage ist, die entsprechende Tätigkeit in situ zu klassifizieren. Zur Optimierung der Klassifikationsleistung werden mittels eines genetischen Optimierungsverfahrens die Merkmale und deren Kombinationen identifiziert, welche die höchste Relevanz für die Differenzierung der Tätigkeiten aufweisen. Die auf diese Weise selektierten Merkmale können als ausreichend aussagekräftig betrachtet werden und, trotz individueller Unterschiede, personengruppenübergreifend Verwendung finden. Abschließend wird die in situ Tätigkeitserkennung validiert und unter Verwendung eines binokularen See-Through-Displays wird Rückmeldung über die korrekte Ausführung einer Tätigkeitssequenz gegeben. | ger |
| dcterms.accessRights | open access | ger |
| dcterms.creator | Jennerich, Marco | |
| dcterms.dateAccepted | 2018-11-29 | |
| dcterms.extent | 140, XXIV Seiten | |
| dc.contributor.corporatename | Kassel, Universität Kassel, Fachbereich Maschinenbau | |
| dc.contributor.referee | Sträter, Oliver (Prof. Dr.) | |
| dc.contributor.referee | Schulz, Ralf-Kiran (Prof. Dr.) | |
| dc.subject.swd | Tätigkeit | ger |
| dc.subject.swd | Pupillometrie | ger |
| dc.subject.swd | Änderungserkennung | ger |
| dc.subject.swd | Assistenzsystem | ger |
| dc.subject.swd | Optimierung | ger |
| dc.subject.swd | Künstliche Intelligenz | ger |
| dc.subject.swd | Arbeitswissenschaft | ger |
| dc.title.subtitle | Adaptive Tätigkeitserkennung in Abhängigkeit der Pupillendynamik und Entwicklung einer situativen Assistenz | ger |
| dc.type.version | publishedVersion | |
