Today, movement measurements are made manually in healthcare using a goniometer. The measurements are often time-consuming and specially trained practitioners are needed, furthermore the readings are dependent on the practitioner's eye measurements. New technology has been introduced to make the same measurements using external sensors which have the disadvantage that they can be costly and space consuming. Recently, depth camera technology has introduced an alternative solution to make it more efficient for both patients and practitioners. The purpose of this study is to investigate whether Apple depth camera technology can replace current technology by being able to perform motion measurements with only one Ipad/Iphone with a built-in depth camera. For this, a prototype has been developed to be able to automatically calculate medically relevant angles by filming a person. Various motion measurements have been performed and the measurement results have been analysed. Apple depth camera has high precision in the measured values. However, a larger study needs to be performed in order to be able to determine whether Apple's depth camera could replace current technology. / Idag görs rörelsemätningar manuellt i vården med hjälp av en goniometer. Mätningarna är ofta tidskrävande och kräver utbildade utövare samt är beroende av utövarens ögonmått. Det har introducerats ny teknik för att göra samma mätningar med hjälp av externa sensorer, vilket har nackdelen att de kan vara kostsamma och utrymmeskrävande. På senare tid har djupkameratekniken introducerats som en alternativ lösning för att effektivisera för både patienter och vårdpersonal. Syftet med den här studien är att undersöka om Apples djupkamerateknik kan ersätta nuvarande teknik genom att kunna utföra rörelsemätningar med endast en Ipad/Iphone med inbyggd djupkamera. För detta har en prototyp utvecklats för att automatiskt kunna beräkna medicinskt relevanta vinklar genom att filma en person. Olika rörelsemätningar har sedan utförts och mätresultaten har analyserats. Resultaten av analysen visar att Apples djupkamera har hög precision i mätvärdena. Dock behöver en större undersökning utföras för att kunna konstatera om Apples djupkamera helt skulle kunna ersätta nuvarande teknik.

Idag görs rörelsemätningar manuellt i vården med hjälp av en goniometer. Mätningarna är ofta tidskrävande och kräver utbildade utövare samt är beroende av utövarens ögonmått. Det har introducerats ny teknik för att göra samma mätningar med hjälp av externa sensorer, vilket har nackdelen att de kan vara kostsamma och utrymmeskrävande. På senare tid har djupkameratekniken introducerats som en alternativ lösning för att effektivisera för både patienter och vårdpersonal. Syftet med den här studien är att undersöka om Apples djupkamerateknik kan ersätta nuvarande teknik genom att kunna utföra rörelsemätningar med endast en Ipad/Iphone med inbyggd djupkamera. För detta har en prototyp utvecklats för att automatiskt kunna beräkna medicinskt relevanta vinklar genom att filma en person. Olika rörelsemätningar har sedan utförts och mätresultaten har analyserats. Resultaten av analysen visar att Apples djupkamera har hög precision i mätvärdena. Dock behöver en större undersökning utföras för att kunna konstatera om Apples djupkamera helt skulle kunna ersätta nuvarande teknik. / Today, movement measurements are made manually in healthcare using a goniometer. The measurements are often time-consuming and specially trained practitioners are needed, furthermore the readings are dependent on the practitioner's eye measurements. New technology has been introduced to make the same measurements using external sensors which have the disadvantage that they can be costly and space consuming. Recently, depth camera technology has introduced an alternative solution to make it more efficient for both patients and practitioners. The purpose of this study is to investigate whether Apple depth camera technology can replace current technology by being able to perform motion measurements with only one Ipad/Iphone with a built-in depth camera. For this, a prototype has been developed to be able to automatically calculate medically relevant angles by filming a person. Various motion measurements have been performed and the measurement results have been analysed. Apple depth camera has high precision in the measured values. However, a larger study needs to be performed in order to be able to determine whether Apple's depth camera could replace current technology.

Technological instruments are used in sports to record and analyze data of performing athletes, in order to improve techniques and increase competitiveness. A method to allow for recording of data of a moving subject is by usage of a depth camera mounted on a drone that can track and follow a subject. The objective was to develop a drone system that was capable of autonomous operation based on follow-me mode. The original prototype lacked required hardware for reliable orientation in environments with varying air-pressure, and software for a follow-me mode-system. Height above ground was measured using a downward facing depth sensor and a 3D image of the subject was generated by a depth camera. The data was then used by the drone to navigate through the environment. Overall performance of the height adjustment would be sufficient to allow for autonomous operation according to test results. Testing of the follow-me mode showed that the current configuration was not capable of retaining a sufficiently consistent position relative to the subject, hence high video quality was not achieved. However, it gave a positive indication that autonomous operation based on a depth camera is possible. The concept has a high potential and if the system would be further developed it could allow athletes to record and analyze data in order to improve techniques and increase competitiveness. / Teknologiska instrument används inom sport för att samla in och analysera data om idrottare, detta för att kunna förbättra teknik och öka prestationsförmåga. En metod för att kunna samla in data från ett rörligt subjekt är genom användandet av en djupkamera monterad på en drönare som kan spåra och följa efter ett subjekt. Målet var att utveckla ett drönarsystem som är kapabel till autonom drift baserat på ett “följ mig-läge” (från engelskans follow-me mode). Den ursprungliga modellen saknade hårdvara som krävs för en pålitlig orientering i miljöer med varierande lufttryck samt mjukvara för följ mig-läge. Höjd över markytan mättes med en nedåtriktad djupsensor och en 3D-bild av ett subjekt genererades av en djupkamera. Datan användes sedan av drönaren för navigation i omgivningen. Övergripande prestandan för höjdjusteringen skulle vara tillräcklig för att möjliggöra autonom drift enligt testresultat. Testning av följ mig-läget visade att aktuell konfiguration ej är kapabel till att erhålla en tillräckligt konsekvent position relaterat till subjektet, därav var hög video kvalite ej uppnåelig. Däremot gavs en positiv indikation på att autonom drönarnavigering kan baseras på ett system med djupkamera. Konceptet har en hög potential och vid vidare utveckling skulle det kunna möjliggöra för idrottare att kunna samla in och analysera data för att kunna förbättra teknik och öka prestationsförmåga.

Interaktiv projicerad förstärkt verklighet är ett delområde inom projicerad förstärktverklighet, där interaktiviteten handlar om att projicera virtuelldata på en entitet somär rörlig. Denna projektion kan åstadkommas genom att använda en kalibrerad projektor-djupkamerasystem som detekterar entitet med hjälp av datorseende. Dettainteraktiva system har varierande antal tillämpningsområden, dock framkommer enkritisk problemformulering, vilket är noggrannheten för dessa system. Noggrannheten i detta fall är hur korrekt projektionen sker på den specifika entiteten, noggrannheten är därför en viktig aspekt för att validera ifall vissa tillämpningar är möjliga implementera. Lösningen för detta problem är att implementera interaktiv projicerad förstärkt verklighet och utföra prototyptester med det implementerade systemet och sedan vidare analysera noggrannheten med testdata. Prototypen kalibrerasmed befintliga verktyg från tidigare studier, detekterar med hjälp av positionsuppskattning och kan sedan projicera punkter på specifika kroppsdelar som även följerpersonen vid rörelse. Resultatet som framkom blev en prototyp som testades för noggrannheten. Testernasker med hjälp av datorseende för att extrahera mätdata såsom projicerade punktenoch förväntade punkten. Från analysen av testdata framkom det att projektionensnoggrannhet är lämplig för tillämpningar som inte kräver exceptionell noggrannhet,såsom nöje, konst, spel och med mera. Ytterligare forskning krävs för användningsområden som kräver exceptionell noggrannhet som tillämpningar inom sjukvård ochkirurgi. / Interactive projected augmented reality is a subfield within projected augmented reality, where the interactivity is about projecting virtual data onto an entity that canpotentially be in movement. This projection can be accomplished by using a calibrated projector-depth camera system that detects entities using computer vision.This interactive system has a varying number of application areas; however, a criticalproblem emerges, which is the accuracy of these systems. The accuracy in this caseis how correctly the projection takes place on the specific entity, the accuracy istherefore an important aspect to validate if certain applications are possible to implement correctly. The solution for this problem is by implementing interactive projectedaugmented reality and perform prototype tests with the implemented system andthen further analyzing the accuracy with test data. The prototype is calibrated withexisting tools from previous studies, detects using pose detection, which can thenproject points on specific body parts that also follows the person during movement.The result that got developed was a prototype that was tested for accuracy. The testsare done using computer vision to extract measurement data such as the projectedpoint and the expected point. The result from the analysis of the test data showedthat the accuracy of the projection is suitable for applications that do not requireexceptional accuracy, such as entertainment, art, games and so on. Further research is required for applications that require exceptional accuracy such ashealthcare and surgical applications.

The wrist is a body part that can be used during repetitive movements in many work environments. There is a need to measure these movements in order to notice harmful repetitive movements in advance. There are many different ways to measure these movements, such as with the use of a depth camera. The goal of this study is to determine if this can be done with high precision compared to other technologies. In order to determine this, an application was created that used several different technologies and libraries to track and pinpoint the hand’s and forearm’s location in each frame. With these locations, together with timestamps from the frames, the angular velocity of the wrist could be calculated. The recordings were made in several different test cases with factors such as background, clothes and lighting changing in each test. In order to compare the depth cameras values, a golden standard had to be set. The depth camera’s recorded values were compared to the golden standard’s recorded values by displaying the values on a graph and by calculating the root mean squared error as well as the mean absolute error. The results indicated that a depth camera can be used to measure wrist movements relatively accurately, even with more advanced movements relative to this study. The result also showed that the depth camera had problems in some test cases. / Handleden är en kroppsdel som kan användas under repetitiva rörelser i många arbetsmiljöer. Det finns ett behov av att mäta dessa rörelser för att upptäcka skadliga repetitiva rörelser i förväg. Det finns många olika sätt att mäta dessa rörelser, till exempel med hjälp av en djupkamera. Målet med denna studie är att avgöra om detta kan göras med hög precision jämfört med andra teknologier. För att avgöra detta skapades en applikation som använder flera olika teknologier och bibliotek för att spåra och lokalisera handens och underarmens position i varje bildruta. Med hjälp av dessa positioner, tillsammans med tidsstämplar från bildrutorna, kunde vinkelhastigheten för handleden beräknas. Inspelningarna gjordes i flera olika testfall där faktorer som bakgrund, kläder och belysning ändrades i varje test. För att kunna jämföra djupkamerans värden behövdes en referensstandard fastställas. Djupkamerans inspelade värden jämfördes med referensstandardens inspelade värden genom att visa värdena på en graf och beräkna rotmedelkvadratfelet samt medelabsolutfelet. Resultaten indikerade att en djupkamera kan användas för att mäta handledsrörelser relativt noggrant, även med mer avancerade rörelser i förhållande till denna studie. Resultatet visade även att djupkameran hade problem i vissa testfall.

Skeletal tracking can be accomplished deploying human pose estimation strategies. Deep learning is shown to be the paramount approach in the realm where in collaboration with a ”light detection and ranging” depth camera the development of a markerless motion analysis software system seems to be feasible. The project utilizes a trained convolutional neural network in order to track humans doing sport activities and to provide feedback after biomechanical analysis. Implementations of four filtering methods are presented regarding movement’s nature, such as kalman filter, fixedinterval smoother, butterworth and moving average filter. The software seems to be practicable in the field evaluating videos at 30Hz, as it is demonstrated by indoor cycling and hammer throwing events. Nonstatic camera behaves quite well against a standstill and upright person while the mean absolute error is 8.32% and 6.46% referential to left and right knee angle, respectively. An impeccable system would benefit not only the sports domain but also the health industry as a whole. / Skelettspårning kan åstadkommas med hjälp av metoder för uppskattning av mänsklig pose. Djupinlärningsmetoder har visat sig vara det främsta tillvägagångssättet och om man använder en djupkamera med ljusdetektering och varierande omfång verkar det vara möjligt att utveckla ett markörlöst system för rörelseanalysmjukvara. I detta projekt används ett tränat neuralt nätverk för att spåra människor under sportaktiviteter och för att ge feedback efter biomekanisk analys. Implementeringar av fyra olika filtreringsmetoder för mänskliga rörelser presenteras, kalman filter, utjämnare med fast intervall, butterworth och glidande medelvärde. Mjukvaran verkar vara användbar vid fälttester för att utvärdera videor vid 30Hz. Detta visas genom analys av inomhuscykling och släggkastning. En ickestatisk kamera fungerar ganska bra vid mätningar av en stilla och upprättstående person. Det genomsnittliga absoluta felet är 8.32% respektive 6.46% då vänster samt höger knävinkel användes som referens. Ett felfritt system skulle gynna såväl idrottssom hälsoindustrin.