Die vorliegende Arbeit befasst sich mit dem Prozess der Implementierung eines Segmentierungs-Werkzeuges,
welches auf freier Software basiert. Um Daten aus der Computer Tomographie (CT) für die Entwicklung von
Implantaten zu nutzen, müssen aus den 3D-Bildstapeln erst die Oberflächen der einzelnen Organe oder
knöchernen Strukturen extrahiert werden. Hierfür stehen bereits einige offene Werkzeuge zur Verfügung, die
jedoch qualitativ nicht auf dem Stand von Industrie-Software sind. Die Industrie-Werkzeuge sind aufgrund ihrer
Kosten aber für kleine Entwicklungsprojekte nicht finanzierbar. Daher besteht ein Bedarf an einer offenen,
qualitativ hochstehenden Segmentierlösung. Ausgehend von den Ergebnissen der durchgeführten
Literaturrecherche und einer Analyse von unterschiedlichen Segmentierungsprogrammen wurden zwei
Prototypen implementiert, welche unterschiedliche Ansätze in der Segmentierung verfolgen. Beide Prototypen
eignen sich zum Segmentieren von Bilddatensätzen aus dem CT, wobei beide Prototypen in ihren Eigenschaften
Vor- und Nachteile aufweisen.
This paper deals with the process of implementing a segmentation tool based on free software. In order to use
data from computer tomography (CT) for the development of implants, the surfaces of the individual organs or
bony structures must first be extracted from the 3D image stacks. Some open tools are already available for
this purpose, but their quality is not up to date with industrial software. However, industrial tools are not
affordable for small development projects due to their cost. Therefore, there is a need for an open, high-quality
segmentation solution. Based on the results of the literature research carried out and an analysis of different
segmentation programs, two prototypes were implemented, which pursue different approaches in
segmentation. Both prototypes are suitable for segmenting image data sets from CT, whereby both prototypes
have advantages and disadvantages in their properties.
Die Arbeit befasst sich mit der akustischen Erkennung von Aktivitäten in einem Haushalt mit dem Ziel, eine
Aktivierung von Assistenztechnologien in Smart Homes zu ermöglichen. Der Fokus lag dabei auf der
Erarbeitung von algorithmischen Grundlagen zur akustischen Erkennung von «Activities of Daily Living»
(ADL). ADL sind definierte Tätigkeiten, welche ein selbständiges Leben ermöglichen. Ziel war es
algorithmische Ansätze zur akustischen Erkennung von ADL zu recherchieren und für zwei spezifische ADL
zuverlässigen Algorithmen zur Erkennung zu erarbeiten und validieren. In Folge der Arbeiten wurde für die
ADL Toileting und Personal Hygiene Algorithmen entwickelt. Für die akustische Erkennung von Toileting
wurde das Geräusch der Spülung als charakteristisch gewählt und für Personal Hygiene wurde das Geräusch
der Dusche gewählt. Da es sich bei beiden Geräuschquellen um ortsgebundene Tätigkeiten handelt, die von
allen Menschen in einem vergleichbaren Rahmen getätigt werden. Als algorithmischer Ansatz für die
Erkennung wurden Convolutional Neural Network (CNN) trainiert.
This work deals with the acoustic recognition of activities in a household with the aim of enabling the
activation of assistive technologies in smart homes. The focus was on developing algorithmic foundations for
the acoustic recognition of "Activities of Daily Living" (ADL), which describe defined activities that enable
independent living. The goal was to research algorithmic approaches for the acoustic recognition of ADL and
to develop and validate reliable algorithms for two specific ADLs. As a result of the work, algorithms were
developed for ADLs related to toileting and personal hygiene. For the acoustic recognition of toileting, the
sound of flushing was chosen as characteristic, and for personal hygiene, the sound of the shower was
chosen. Since both sound sources involve location-based activities that are performed by all individuals in a
comparable context, Convolutional Neural Networks (CNNs) were trained as the algorithmic approach for
detection.
Die Arbeit befasst sich mit der akustischen Erkennung von Aktivitäten in einem Haushalt mit dem Ziel, eine
Aktivierung von Assistenztechnologien in Smart Homes zu ermöglichen. Der Fokus lag dabei auf der
Erarbeitung von algorithmischen Grundlagen zur akustischen Erkennung von «Activities of Daily Living»
(ADL). ADL sind definierte Tätigkeiten, welche ein selbständiges Leben ermöglichen. Ziel war es
algorithmische Ansätze zur akustischen Erkennung von ADL zu recherchieren und für zwei spezifische ADL
zuverlässigen Algorithmen zur Erkennung zu erarbeiten und validieren. In Folge der Arbeiten wurde für die
ADL Toileting und Personal Hygiene Algorithmen entwickelt. Für die akustische Erkennung von Toileting
wurde das Geräusch der Spülung als charakteristisch gewählt und für Personal Hygiene wurde das Geräusch
der Dusche gewählt. Da es sich bei beiden Geräuschquellen um ortsgebundene Tätigkeiten handelt, die von
allen Menschen in einem vergleichbaren Rahmen getätigt werden. Als algorithmischer Ansatz für die
Erkennung wurden Convolutional Neural Network (CNN) trainiert.
This work deals with the acoustic recognition of activities in a household with the aim of enabling the
activation of assistive technologies in smart homes. The focus was on developing algorithmic foundations for
the acoustic recognition of "Activities of Daily Living" (ADL), which describe defined activities that enable
independent living. The goal was to research algorithmic approaches for the acoustic recognition of ADL and
to develop and validate reliable algorithms for two specific ADLs. As a result of the work, algorithms were
developed for ADLs related to toileting and personal hygiene. For the acoustic recognition of toileting, the
sound of flushing was chosen as characteristic, and for personal hygiene, the sound of the shower was
chosen. Since both sound sources involve location-based activities that are performed by all individuals in a
comparable context, Convolutional Neural Networks (CNNs) were trained as the algorithmic approach for
detection.