Browsing by Author "Kleinhans, Niklas"

Now showing 1 - 2 of 2

Open Access
Simulation of muscle movements with GNNs
(2022) Kleinhans, Niklas
In the last few years Graph Neural Networks (GNNs), a family of neural architectures used for irregularly structured data, gained a rising interest of the graph processing research community. Previous work has shown the potential of GNNs in simulations. In the field of bioinformatics the simulation of human body movements is of great interest. State of the art approaches used for simulations, like the Finite Element Method (FEM), are very time and resource consuming. The human body, in particular the muscle system, can be represented in a graph structure. This offers a great potential of applying Deep Learning approaches for graph structures on muscle data to optimize the simulation. This work presents a proof of concept to apply GNNs on muscle data and find effective network properties. A Deep Learning Feed Forward Neural Network combined with a Graph Convolutional Network (GCN) is used to learn the deformations of the muscles. The model can predict every node inside the muscle. The results are compared to an existing approach which is using a Feed Forward Neural Network to predict a fixed set of nodes inside a muscle.
Open Access
Vergleich von Augenbewegungen mit multiplem Sequenzalignment und einer Consensus Matrix
(2017) Kleinhans, Niklas
Augenbewegungen können durch Koordinatenpunkte und deren Verbindung im Raum als eine Abfolge von Fixationspunkten modelliert werden. Die Analyse dieser raum-zeitlichen Daten ist eine Herausforderung. Weit entwickelte Systeme werden nicht nur präziser, sondern auch immer kompakter. Somit können künftig auch Daten über mobile Endgeräte gesammelt werden, wodurch das Spektrum der zu analysierenden Daten stetig erweitert wird. Diese Vielzahl an Daten gilt es zu verarbeiten. Insbesondere beim analysieren von Daten mehrerer Teilnehmer wird enorme Rechenleistung benötigt und fordert auch die Weiterentwicklung unterschiedlicher Analyseverfahren. Um diese Daten analysieren zu können, bilden Eye-Tracking Metriken eine Grundlage für die Reduzierung der Komplexität der Daten. In dieser Arbeit soll ein Verfahren vorgestellt werden, welches es ermöglicht, die aufgezeichneten Daten von mehreren Personen zu vergleichen. Dabei werden die aufgezeichneten Daten durch Metrikenwerte zu Sequenzen transformiert und anschließend verglichen. Ähnlich wie bei DNA-Sequenzen in der Bioinformatik, wird hierbei ein multipler Sequenzalignment Algorithmus verwendet. Außerdem wird ein Webinterface entwickelt das es ermöglicht die Daten zu vergleichen und anschließend durch eine Consenus Matrix visualisiert.