Cette thèse explore la reconnaissance de gestes à partir de capteurs inertiels pour Smartphone. Ces gestes consistent en la réalisation d'un tracé dans l'espace présentant une valeur sémantique, avec l'appareil en main. Notre étude porte en particulier sur l'apprentissage de métrique entre signatures gestuelles grâce à l'architecture "Siamoise" (réseau de neurones siamois, SNN), qui a pour but de modéliser les relations sémantiques entre classes afin d'extraire des caractéristiques discriminantes. Cette architecture est appliquée au perceptron multicouche (MultiLayer Perceptron). Les stratégies classiques de formation d'ensembles d'apprentissage sont essentiellement basées sur des paires similaires et dissimilaires, ou des triplets formés d'une référence et de deux échantillons respectivement similaires et dissimilaires à cette référence. Ainsi, nous proposons une généralisation de ces approches dans un cadre de classification, où chaque ensemble d'apprentissage est composé d’une référence, un exemple positif, et un exemple négatif pour chaque classe dissimilaire. Par ailleurs, nous appliquons une régularisation sur les sorties du réseau au cours de l'apprentissage afin de limiter les variations de la norme moyenne des vecteurs caractéristiques obtenus. Enfin, nous proposons une redéfinition du problème angulaire par une adaptation de la notion de « sinus polaire », aboutissant à une analyse en composantes indépendantes non-linéaire supervisée. A l'aide de deux bases de données inertielles, la base MHAD (Multimodal Human Activity Dataset) ainsi que la base Orange, composée de gestes symboliques inertiels réalisés avec un Smartphone, les performances de chaque contribution sont caractérisées. Ainsi, des protocoles modélisant un monde ouvert, qui comprend des gestes inconnus par le système, mettent en évidence les meilleures capacités de détection et rejet de nouveauté du SNN. En résumé, le SNN proposé permet de réaliser un apprentissage supervisé de métrique de similarité non-linéaire, qui extrait des vecteurs caractéristiques discriminants, améliorant conjointement la classification et le rejet de gestes inertiels. / As consumer devices become more and more ubiquitous, new interaction solutions are required. In this thesis, we explore inertial-based gesture recognition on Smartphones, where gestures holding a semantic value are drawn in the air with the device in hand. In our research, speed and delay constraints required by an application are critical, leading us to the choice of neural-based models. Thus, our work focuses on metric learning between gesture sample signatures using the "Siamese" architecture (Siamese Neural Network, SNN), which aims at modelling semantic relations between classes to extract discriminative features, applied to the MultiLayer Perceptron. Contrary to some popular versions of this algorithm, we opt for a strategy that does not require additional parameter fine tuning, namely a set threshold on dissimilar outputs, during training. Indeed, after a preprocessing step where the data is filtered and normalised spatially and temporally, the SNN is trained from sets of samples, composed of similar and dissimilar examples, to compute a higher-level representation of the gesture, where features are collinear for similar gestures, and orthogonal for dissimilar ones. While the original model already works for classification, multiple mathematical problems which can impair its learning capabilities are identified. Consequently, as opposed to the classical similar or dissimilar pair; or reference, similar and dissimilar sample triplet input set selection strategies, we propose to include samples from every available dissimilar classes, resulting in a better structuring of the output space. Moreover, we apply a regularisation on the outputs to better determine the objective function. Furthermore, the notion of polar sine enables a redefinition of the angular problem by maximising a normalised volume induced by the outputs of the reference and dissimilar samples, which effectively results in a Supervised Non-Linear Independent Component Analysis. Finally, we assess the unexplored potential of the Siamese network and its higher-level representation for novelty and error detection and rejection. With the help of two real-world inertial datasets, the Multimodal Human Activity Dataset as well as the Orange Dataset, specifically gathered for the Smartphone inertial symbolic gesture interaction paradigm, we characterise the performance of each contribution, and prove the higher novelty detection and rejection rate of our model, with protocols aiming at modelling unknown gestures and open world configurations. To summarise, the proposed SNN allows for supervised non-linear similarity metric learning, which extracts discriminative features, improving both inertial gesture classification and rejection.

Gyroscopes are inertial sensors that measure the rate or angle of rotation. One of the most promising technologies for reaching a high-performance MEMS gyroscope has been development of the micro-hemispherical shell resonator. (μHSR) This thesis presents the electronic control and read-out interface that has been developed to turn the μHSR into a fully functional micro-hemispherical resonating gyroscope (μHRG) capable of measuring the rate of rotation. First, the μHSR was characterized, which both enabled the design of the interface and led to new insights into the linearity and feed-through characteristics of the μHSR. Then a detailed analysis of the rate mode interface including calculations and simulations was performed. This interface was then implemented on custom printed circuit boards for both the analog front-end and analog back-end, along with a custom on-board vacuum chamber and chassis to house the μHSR and interface electronics. Finally the performance of the rate mode gyroscope interface was characterized, showing a linear scale factor of 8.57 mv/deg/s, an angle random walk (ARW) of 34 deg/sqrt(hr) and a bias instability of 330 deg/hr.

In der vorliegenden Arbeit werden der Entwurf, die Technologie und die Parameteridentifikation von Silizium basierten mikroelektromechanischen Systemen (MEMS) mit piezoelektrischen Dünnschicht-Aluminiumnitrid (AlN) vorgestellt. Auf Basis des AlNs als elektromechanischer Wandler erfolgt die Fertigung eines MEMS Technologiedemonstrators für energiearme Inertialsensoren. Das AlN wird über einen reaktiven Sputterprozess auf einer Wachstumsschicht abgeschieden. Durch Parametervariation des reaktiven Sputterprozesses und der Wachstumsschicht werden die piezoelektrischen Eigenschaften des AlNs optimiert. Die Entwicklung einer Gesamttechnologie führt zu einer Integration des Dünnschicht-AlNs in Silizium-Mikromechaniken. Die Röntgenbeugung (XRD) ermöglicht die Kristallstruktur des AlNs zu qualifizieren. Darüber hinaus werden weitere Analysemethoden vorgestellt, die eine hoch genaue und reproduzierbare messtechnische Bestimmung der piezoelektrischen Koeffizienten aus mikromechanischen Messstrukturen ermöglichen. Die Determination der piezoelektrischen Koeffizienten des Dünnschicht-AlNs aus den Messstrukturen erfolgt mittels analytischen und FE Modellen sowie der Laser-Doppler-Vibrometrie (LDV). Der Fokus der Arbeit liegt hierbei auf der Identifikation der longitudinalen und transversalen piezoelektrischen Ladungskoeffizienten des AlNs. Als Technologiedemonstrator wird ein einachsiger Inertialsensor mit integriertem piezoelektrischen Dünnschicht-AlN vorgestellt. Das MEMS generiert aufgrund des piezoelektrischen Wandlers intrinsisch elektrische Ladungen bei Einwirkung einer mechanischen Energie. Dadurch ist keine elektrische Energiezufuhr für die Messung eines inertialen Ereignisses notwendig. Der vorgestellte Demonstrator wird hinsichtlich seiner Ladungs- und Spannungssensitivität optimiert. Zur theoretischen Beschreibung der Funktionsweise werden analytische, sowie FE und SPICE Modelle genutzt. Eine Charakterisierung des MEMS Bauelements erfolgt hinsichtlich der mechanischen und elektrischen Eigenschaften. / The thesis includes the design, the technology and the parameter identification of silicon-based microelectromechanical systems (MEMS) with piezoelectric thin film of aluminum nitride (AlN). A low-energy inertial sensor as technology demonstrator based on AlN as an electromechanical transducer a MEMS manufacturing process is shown. The AlN is deposited via a reactive sputtering on a growth layer. By varying parameters of the reactive sputtering and the growth layer of AlN, the piezoelectric properties can be optimized. The development of an overall technology results to an integration of the thin film AlNs in silicon micromechanics. X-ray diffraction (XRD) allows to qualify the crystal structure of AlN. Further methods are developed that enable a highly accurate and repeatable metrological determination of piezoelectric coefficients measurement structures. The determination of piezoelectric coefficients of the thin film AlN from the measurement structures is resulting from analytical methods and FE models and the laser Doppler vibrometry (LDV). The identification of the longitudinal and transverse piezoelectric charge coefficient of AlN is one main focus of this work. A uniaxial inertial sensor with an integrated piezoelectric thin film of AlN is presented as technology demonstrator. The piezoelectric transducer of the MEMS is generating electric charges intrinsically as reaction of mechanical stress. Thus, no electric power supply for the measurement of an inertial event is necessary. The presented demonstrator has been optimized with respect to its charge and voltage sensitivity. For a theoretical description analytical and FE and SPICE models are used. A characterization of the MEMS device is carried out with regard to the mechanical and electrical properties.

Im Fokus dieser kumulativ angefertigten Dissertation stehen vier methodenorientierte biomechanische Studien, in welchen die potentiellen Fehlerquellen analysiert werden, die beim Einsatz von Inertialsensoren in der biomechanischen Gang- und Laufanalyse auftreten können. In den einzelnen Beiträgen werden die Einflüsse der Inertialsensoraufnahmefrequenz (Studie I) und des Messbereichs der Beschleunigungssensoren (Studie II) auf die kinematischen, kinetischen und räumlich-zeitlichen Parameter systematisch untersucht. Des Weiteren wird sich kritisch mit der Genauigkeit verschiedener Detektionsmethoden des initialen Bodenkontaktes (Studie III) sowie mit der Aussagekraft der maximalen Eversionsgeschwindigkeit (Studie IV) auseinandergesetzt. Um ein umfassendes Bild der Einflussgrößen zu erhalten, wurde in den Studien II, III und IV untersucht, ob die Materialcharakteristik der Laufschuhsohle die Genauigkeit der biomechanischen Parameter beeinflusst. Zudem wurde in Studie III geprüft, welchen zusätzlichen Effekt der Laufstil (Vor- und Rückfußlaufen) auf die Genauigkeit der initialen Bodenkontaktbestimmung hat sowie welchen Einfluss die Bewegungsgeschwindigkeit (Gehen und Laufen) auf die maximale Eversionsgeschwindigkeit nehmen kann (Studie IV). Die Ergebnisse der vier Untersuchungen werden am Ende dieser Arbeit in einem gemeinsamen Kontext diskutiert. Auf Grundlage der Erkenntnisse konnte eine Übersicht erstellt werden, welche sowohl die Mindestanforderungen an Inertialsensoren als auch die Einflussgrößen auf die Genauigkeit der biomechanischen Parameter enthält. Mit diesem Überblick erhalten Nutzer von Inertialsensoren (z.B. Sportler, Trainer, Mediziner und Wissenschaftler) bei der Planung einer Bewegungsanalyse die Unterstützung, die Sensoren mit der passenden Sensorspezifikation in Kombination mit den präzisesten Auswertealgorithmen auszuwählen. Zudem können die Informationen aus dieser Dissertation dazu genutzt werden, Erkenntnisse bereits publizierter Studien kritisch zu hinterfragen. / In previous studies, inertial sensors were used to investigate kinematic, kinetic, and spatio-temporal parameters during walking and running. The present cumulative doctoral thesis consists of four methodological studies. Two of the studies examine the influence of inertial sensor sampling rate (study I) and accelerometer operating range (study II) on the accuracy of biomechanical parameters. Another study investigated whether different published foot strike detection methods can accurately detect the time of initial ground contact (study III). The final study examined whether a single gyroscope can be used to accurately determine peak eversion velocity (study IV). In order to obtain a comprehensive view of the influencing factors, studies II, III and IV also investigated whether the material characteristics of the running shoe sole also influence the accuracy of the biomechanical parameters. Additionally, the effect of running style (forefoot or rearfoot) on the accuracy of foot strike detection methods was investigated in study III, and the effect of locomotion speed (walking, running slow up to running fast) on the accuracy of peak eversion velocity was examined in study IV. The results of the four investigations will be summarized and discussed in a common context. Based on the findings, an overview was prepared which contains both the minimum requirements for inertial sensors and also the influencing variables on the accuracy of the biomechanical parameters. This overview may assist users of inertial sensors (e.g. athletes, trainers, physicians, or scientists) in planning gait and running analyses to select inertial sensors with the appropriate specification in combination with the most accurate algorithms. In addition, the information from this dissertation can be used to critically consider the findings of published studies.

For some years, inertial sensors have become increasingly popular in various sports applications due to their small size and weight. However – due to the problem of sensor drift – additional sensors are usually required to obtain reliable position estimates. In this paper, we present an approach for position estimation in bouldering that relies solely on inertial sensors and domain knowledge that is modeled as a virtual sensor. / Seit einigen Jahren erfreuen sich Inertialsensoren aufgrund ihrer geringen Größe und ihres geringen Gewichts zunehmender Beliebtheit in verschiedenen Sportanwendungen. Aufgrund des Problems des Sensordrifts sind jedoch in der Regel zusätzliche Sensoren erforderlich, um zuverlässige Positionsschätzungen zu erhalten. In diesem Beitrag stellen wir einen Ansatz zur Positionsschätzung beim Bouldern vor, der sich ausschließlich auf Inertialsensoren und Domänenwissen stützt, welches als virtueller Sensor modelliert wird.