Please use this identifier to cite or link to this item: http://dx.doi.org/10.18419/opus-12400
Authors: Kleinhans, Niklas
Title: Simulation of muscle movements with GNNs
Issue Date: 2022
metadata.ubs.publikation.typ: Abschlussarbeit (Master)
metadata.ubs.publikation.seiten: 44
URI: http://nbn-resolving.de/urn:nbn:de:bsz:93-opus-ds-124197
http://elib.uni-stuttgart.de/handle/11682/12419
http://dx.doi.org/10.18419/opus-12400
Abstract: 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.
In den letzten Jahren ist das Interesse an GraphNeuronalenNetzen (GNNs) in dem Forschungsbereich zur Graphverarbeitung immer weiter gestiegen. GNN sind neuronale Architekturen die zur Verarbeitung von unregelmäßig strukturierten Daten verwendet werden. Vorhergehende Arbeiten haben das Potential von GNNs für Simulationen, die sonst beispielsweise durch Finite Elemente Methoden umgesetzt werden, gezeigt. Im Bereich der Bioinformatik ist das Simulieren von Bewegungen des menschlichen Körpers von großem Interesse. Aktuelle Verfahren, wie die Finite Elemente Methode, die oft für Simulationen angewendet werden, sind oft sehr zeit- und ressourcenaufwändig. Der menschliche Körper, im speziellen das Muskelsystem, kann durch eine Graphstruktur dargestellt werden. Das bietet ein großes potential Deep Learning auf Muskeldaten anzuwenden um die Simulationen zu optimieren. In dieser Arbeit wird ein Proof of Concept vorgestellt, um GNN auf Muskeldaten anzuwenden und effektive Netzwerkkonfigurationen zu finden. Ein Deep Learning Feed Forward Neuronales Netz kombiniert mit einem Graph Convolutional Network wird verwendet, um die Deformation eines Muskels zu lernen. Das Model kann jeden Knoten in dem Muskel auswerten. Die Ergebnisse werden mit einem bestehenden Ansatz, in dem ein Feed Forward Neuronales Netzwerk zum Vorhersagen von einer fest definierten Knotenmenge verwedet wird, verglichen.
Appears in Collections:05 Fakultät Informatik, Elektrotechnik und Informationstechnik

Files in This Item:
File Description SizeFormat 
niklaskleinhans_thesis_final.pdf3,73 MBAdobe PDFView/Open


Items in OPUS are protected by copyright, with all rights reserved, unless otherwise indicated.