Exercise is a prevailing topic in modern society as more people are pursuing a healthy lifestyle. Physical activities provide unimaginable benefits to human well-being from the inside out. 2D human pose estimation, action recognition and repetitive counting fields developed rapidly in the past several years. However, few works combined them together as a whole system to assist people in evaluating body poses, recognizing exercises and counting repetitive actions. The existing methods estimate pose positions first, and utilize human joints locations in the other two tasks. In this thesis, we propose a multitask system covering the three domains. Different from the methodology used in the literature, heatmaps which are the byproducts of 2D human pose estimation models are adopted for exercise recognition and counting. Recent heatmap processing methods are proven effective in extracting dynamic body pose information. Inspired by this, we propose a new deep-learning multitask model of exercise recognition & repetition counting, and apply these approaches to the multitask for the first time. To meet the needs of the multitask model, we create a new dataset Rep-Penn with action, counting and speed labels. A two-stage training strategy is applied in the training process. Our multitask system can estimate human pose, identify physical activities and count repeated motions. We achieved 95.69% accuracy in exercise recognition on Rep-Penn dataset. The multitask model also performed well in repetitive counting with 0.004 Mean Average Error (MAE) and 0.997 Off-By-One (OBO) accuracy on Rep-Penn dataset. Compared with existing frameworks, our method obtained state-of-the-art results.

A Thesis submitted to The University of Arizona College of Medicine - Phoenix in partial fulfillment of the requirements for the Degree of Doctor of Medicine. / Approximately 25% of patients with locoregional esophageal adenocarcinoma (EC) are resistant (marked by minimal tumor regression; TRG 3) to preoperative chemoradiation, including 5FU‐based and CROSS regimens. Previously, an immunohistochemistry (IHC) test that accurately identifies patients as responders (TRG 0‐2) or non‐responders (TRG 3) to neoadjuvant CTRT was developed and validated. The current study was designed to identify gene expression profile (GEP) signatures able to predict response to preoperative treatment. Methods: Formalin‐fixed, paraffin‐embedded (FFPE) tumor tissue from 24 diagnostic biopsies (14 responders, 10 non‐responders) was collected. RNA was isolated, and RT‐PCR performed to assess the expression of 96 candidate genes chosen from in silicoanalysis. Genetic signatures incorporating genes with significant expression differences in pathologically determined responders versus non‐responders were identified, and linear and non‐linear predictive modeling methods were used to assess the accuracy of the signatures for predicting treatment response. Cross validation was performed to attain corrected accuracy values. Ten‐, 18‐, and 24‐gene signatures were identified with significantly different gene expression levels in responders compared to non‐responders (p < 0.05). Functional groups represented by the signatures included DNA damage repair, extracellular matrix remodeling, and 5FU metabolism. Partial Least Squares (PLS) prediction of treatment response was compared to pathologic TRG determined by blinded pathologic reading, and resulted in an area under the curve (AUC) of 0.99 and overall accuracy of 100% for the 24‐gene signature. Corrected AUC of 0.99 and accuracy of 95% resulted from five‐fold cross validation with 20 iterations. Heatmap analysis of the 24‐gene signature separated the EC cases into two distinct clusters, the first with 93% responders and the second with 90% non‐responders. The current study identifies novel gene signatures able to accurately predict EC patient response to preoperative treatment. The GEP may allow non‐responders to avoid unnecessary toxicities associated with chemoradiation therapy.

En stor kvantitet av miljödata samlas hela tiden in och för att dra nytta av all data behöver den förstås av de användarna som kan applicera kunskapen inom deras område. Visualiseringar tillåter användare att förstå datan och det är därför en viktig del av hur en användare kan ta del av den datan som samlas in. I detta arbete evalueras de WebGLbaserade teknologierna Three.js och X3DOM om vilken som är mest lämplig för att visualisera geospatial data på webben utifrån hur effektiva de är vid rendering av heatmaps. Två applikationer utvecklas, en baserat på Three.js och en på X3DOM. Mätningar utförs på varje applikation för att jämföra renderingstiden mellan teknologierna och en kvalitativ studie används för att evaluera deras användbarhet. Resultatet blev att Three.js är mer lämpligt för att visualisera geospatial data på webben.

Olika typer av data används för att användare skall kunna presentera och dra beslut ifrån data, för att lättare förstå datan tillämpas visualisering som ett sätt att göra datan mer läsbar och lättförstådd. När data skall visualiseras på webben kan många olika teknologier användas för att rendera ut datan. I denna studie kommer ramverk för rendering av heatmaps jämföras sett till deras prestanda i form av renderingstid. De två applikationer som utvecklades var D3.js samt Three.js. Dessa jämfördes sedan i ett experiment där mätningar utfördes på de båda teknologierna. Resultatet blev att Three.js var mer lämpat för visualisering av heatmaps på webben.

No description available.

Datavisualisering innebär förmågan att omvandla rådata till en visuell form. Visualiseringen medför fördelen att data blir enklare att tolka. En form av datavisualiseringsteknik är Heatmaps. Heatmaps används bland annat till att visualisera geospatial COVID-19 data i syfte att successivt tolka denna. För att lyckas med det behöver visualiseringen icccnneha god visuell skalbarhet. Visuell skalbarhet innebär förmågan att kunna visa stora datamängder vilket kan förbättras genom bland annat utritningstider och clustering. Denna studie utförs i syfte att ta reda på vilket av JavaScript-ramverken Vue.js och React.js som möjliggör bäst visuell skalbarhet. Ett tekniskt experiment genomförs i syfte att jämföra ramverken på visuell skalbarhet. Två artefakter sätts upp i form av heatmaps innehållande visualiserad geospatial pandemidata. Skalbarheten mäts sedan genom utritningstider och medelvärden. Resultatet antyder att Vue.js ger än bättre visuell skalbarhet än React.js, även om inte skillnaderna är signifikanta. I framtiden skulle undersökningen kunna utvecklas genom fler mätvariabler och fler ramverk. / <p>Det finns övrigt digitalt material (t.ex. film-, bild- eller ljudfiler) eller modeller/artefakter tillhörande examensarbetet som ska skickas till arkivet.</p>

I dagens samhälle cirkulerar det data överallt och den här datan används för att genomföra besult, både för orginisationer och privatpersoner. Men mycket data ä rsvår att förstå i ens grundliga form, genom att förenkla den underlätta förståelsen och ökar besultagandet. Det går att göra med hjälp av datavisualisering, vilket kan vara tabeller, diagram eller mer interaktiva tekniker som heatmap. Heatmap är en teknik som använder sig av koordinater och datamängder för att vissa datan på en karta som exempel med hjälp av färger och former. Inom den här studien kommer två javascript bibliotek jämföras mot varandra för att kolla vilket som har bäst renderingstid, Heatmap.js och D3.js. I grunden kommer biblioteken rendera en heatmap för en karta som har tagits fram med hjälp av Leaflet.js. Med hjälp av den här mätningen ska det underlätta valet av javascript bibliotek för att skapa heatmap för webbapplikationer. / <p>Det finns övrigt digitalt material (t.ex. film-, bild- eller ljudfiler) eller modeller/artefakter tillhörande examensarbetet som ska skickas till arkivet.</p>

Point datasets that relate to highly populated places, such as ones retrieved from social media or volunteered geographic information in general, can often result in dense point clusters when presented on maps. Therefore, it can be useful to visualize the relevant point density information directly on the urban geometry to tackle the problem of point counting and density range identification in highly cluttered areas. One solution is to relate each point to the nearest geometry object. While this is a straightforward approach, its major drawback is that local point clusters could disappear by assigning them to larger objects, e.g., long roads. To address this issue, we introduce two new point density visualization approaches by which points are related to the underlying geometry objects. In this process, we use grid cells and heatmap contour lines to divide roads, squares, and pedestrian zones into subgeometry units. Comparison of our visualization approaches with conventional density visualization methods shows that our approaches provide a more comprehensive insight into the point distribution over space, i.e., over existing urban geometry. / Wenn Punktdatensätze, die sich auf dicht bevölkerte Räume beziehen – beispielsweise räumliche Daten aus Sozialen Medien oder von VGI-Plattformen – auf Karten dargestellt werden, kommt es häufig zu dichten Punktclustern, was Aussagen über die Anzahl der Punkte oder die Intensität der Punktdichte an bestimmten Orten schwierig bis unmöglich macht. Daher kann es nützlich sein, relevante Informationen über die Punktdichte direkt mit Bezug zu urbanen Geometrien zu visualisieren. Eine Lösung besteht darin, jeden Punkt dem nächstgelegenen Geometrieobjekt zuzuordnen. Ein großer Nachteil dieses Ansatzes ist jedoch, dass lokale Punktcluster verschwinden könnten, indem sie größeren Objekten, z. B. langen Straßen, zugewiesen werden. Um dieses Problem zu lösen, werden zwei neue Ansätze zur Visualisierung der Punktdichte eingeführt, bei denen die Punkte mit den urbanen Geometrieobjekten in Beziehung gesetzt werden, lokale räumliche Eigenschaften jedoch erhalten bleiben. Dafür werden Straßen, Plätze und Fußgängerzonen mithilfe von Rasterzellen und Konturlinien von Kerndichteschätzungen in Teilgeometrieeinheiten unterteilt. Der Vergleich dieser Visualisierungsansätze mit herkömmlichen Dichtevisualisierungsmethoden zeigt, dass die vorgestellten Ansätze einen detaillierteren Einblick in die räumliche Punktverteilung mit Bezug zur bestehenden urbanen Geometrie liefern können.

Stora mängder miljödata samlas hela tiden in och för att använda all data behöver den förstås av användarna så de kan applicera kunskapen inom deras område. Visualisering skapar förståelse om data. Heatmaps kan användas för att visualisera geospatial data och interaktivitet är ett hjälpmedel för att skapa ytterligare grafiska representationer. I detta arbete evalueras JavaScript-teknikerna D3.js, Heatmap.js och Vue.js angående vad som är mest lämpligt för att visualisera geospatial data utifrån effektiviteten vid utritning av heatmaps. Ett experiment genomförs där biblioteken D3.js, Heatmap.js testas i ramverket Vue.js. Detta för att ta reda på vilket bibliotek som föredras vid utritning av heatmaps och om ett ramverk påverkar resultatet. En miljö sätts upp för att genomföra undersökningen och tester för att påvisa detta. Resultatet indikerar att Heatmap.js och mindre datamängder ger en lägre utritningstid i den tillämpning som undersökts. I framtiden är det intressant att undersöka flera bibliotek och flera datamängder.

This study aims to investigate and identify how to effectively generate blurred geospatial heatmaps for use in geo-spatial map engines. We focus on how to store the points in a way that facilitates efficient window querying, with support for zoom-level handling. We decide on primarily using a Morton-ordered variant of the point-region quadtree, which we name a HeatMap Quadtree (HMQ). The nodes of the HMQ each have access to the points they contain, through storing the number of points and the lower bound of where to look at in the input point set, which we also store in Morton order. The HMQ also has the functionality to allow for window querying at different levels of detail. We parallelize the generation of the HMQ as well as the Gaussian blurring of the raster resulting from the window query using CUDA, and compare this implementation with that of two naive solutions as well as a linear point-region quadtree. In conclusion we find that the HMQ provides a significant improvement in window querying time, at the cost of additional construction time. / Denna studie avser att undersöka och identifiera hur man effektivt kan generera Gaussiskt oskarpa geospatiala värmekartor för användning i geospatiala kartmotorer. Vi fokuserar på hur man ska lagra punkterna på ett sätt som underlättar effektiv `window querying', med stöd för zoomnivå-hantering. Vi bestämmer oss för att huvudsakligen använda oss av en Morton-ordnad variant av ett `point-region quadtree', vilket vi döper till `HeatMap Quadtree' (HMQ). Noderna i vårt HMQ har alla tillgång till punkterna dom innehåller, genom att lagra antalet punkter och den lägre gränsen för var man ska leta efter punkterna i den ursprunliga punktlistan, som vi också lagrar i Morton-ordning. Vårt HMQ har också funktionaliteten att tillåta `window querying' på olika detaljnivåer. Vi parallelliserar genererandet av vårt HMQ samt uträknandet av den Gaussiska oskärpan på rastret som resulterar från vår `window query' med hjälp av CUDA, och jämför denna implementation med två naiva lösningar samt ett linjärt `point-region quadtree'. Vår slutsats är att vårt HMQ ger en signifikant förbättring i `window query'-tid, till en kostnad av extra konstruktionstid.