Diese Masterarbeit beschäftigt sich mit der Erkennung und Unterscheidung von Essverhalten anhand von Videoaufnahmen. Aufbauend auf bestehenden Methoden zur Mundbewegungserkennung, die ursprünglich für die Spracherkennung entwickelt wurden, soll untersucht werden, wie sich unterschiedliche Nahrungsaufnahmen automatisiert erkennen lassen.
Ziele der Arbeit:
- Anpassung bestehender Modelle zur Erkennung von Mundbewegungen, um zwischen Essen und Trinken zu unterscheiden.
- Klassifizierung von Lebensmitteltexturen, beispielsweise weiche und harte Nahrung, durch Analyse der Mundbewegungen.
- Schätzung der aufgenommenen Nahrungs- oder Flüssigkeitsmenge anhand visueller Merkmale wie Kaubewegungen oder Mundöffnung.
- Implementierung auf einem Raspberry Pi, um eine portable Lösung für die Echtzeiterfassung von Essverhalten zu entwickeln.
Anforderungen:
- Interesse an Computer Vision, maschinellem Lernen und Gesundheitsforschung.
- Grundkenntnisse in Python sind hilfreich, aber keine Voraussetzung.
- Erfahrung mit OpenCV oder Deep-Learning-Frameworks wie TensorFlow oder PyTorch wäre von Vorteil, kann aber im Rahmen der Arbeit erlernt werden.
- Interesse an der Arbeit mit einem Raspberry Pi zur praktischen Umsetzung des Modells.
Betreuung und Unterstützung:
Die Arbeit wird von einem interdisziplinären Team betreut, das regelmäßige Unterstützung in den Bereichen maschinelles Lernen, Computer Vision und Gesundheitsforschung bietet. Es besteht die Möglichkeit, eigene Forschungsansätze zu entwickeln und in einem praxisnahen Projekt Erfahrungen zu sammeln.
Interessierte Studierende können sich mit einem kurzen Motivationsschreiben und einem Lebenslauf bewerben (martin.bleichner@uol.de)
