INTERNSHIP DETAILS

Studien-/Abschlussarbeit - Locomotion Mode Classification mit Biosignalen und Health-App Daten

CompanyFraunhofer-Gesellschaft
LocationStuttgart
Work ModeOn Site
PostedApril 8, 2026
Internship Information
Core Responsibilities
The main goal is to develop a Machine Learning model capable of reliably classifying different locomotion modes (like gaits or cycling) based on acceleration sensor data. This involves integrating the classification into a model selection pipeline to adaptively extend existing regression models for estimating knee forces and moments.
Internship Type
full time
Company Size
287
Visa Sponsorship
No
Language
German
Working Hours
40 hours
Apply Now →

You'll be redirected to
the company's application page

About The Company
Fraunhofer IGD is the international leading institute for applied research in visual computing. Visual computing is image- and model-based information technology and includes computer graphics and computer vision, as well as virtual and augmented reality. In simple terms, the Fraunhofer researchers in Darmstadt, Rostock, and Kiel are turning information into images and extracting information from images. In cooperation with its partners, technical solutions and market-relevant products are created. Prototypes and integrated solutions are developed in accordance with customized requirements. In doing so, Fraunhofer IGD places users at the forefront, providing them with technical solutions to facilitate computer work and make it more efficient. Owing to its numerous innovations, Fraunhofer IGD raises man-machine interaction to a new level. Man is able to work in a more result-oriented and effective way by means of the computer and visual computing developments.
About the Role

Ausschreibung für die Fachrichtung wie z. B.: Automatisierungstechnik, Informatik, Kybernetik, Regelungstechnik, Softwaredesign, Softwareengineering, technische Informatik, Medizintechnik oder vergleichbare.

 

Arthrose ist eine der häufigsten degenerativen Gelenkerkrankungen und stellt eine erhebliche Belastung für die Lebensqualität der Betroffenen dar. Ein präzises Monitoring von Gelenkbelastungen kann helfen, individuelle Handlungsempfehlungen abzuleiten, um das Fortschreiten der Erkrankung zu verlangsamen und therapeutische Maßnahmen gezielt zu unterstützen.
Die Schätzung von Kniekräften und -momenten mithilfe von Biosignalen und Deep-Learning-Ansätzen – insbesondere auf Basis von Temporal Convolutional Networks (TCN) – ist für Laufbewegungen bereits etabliert. Bei anderen Fortbewegungsformen, in denen das Knie nur teilweise oder andersartig belastet wird (z. B. Radfahren), stößt dieses Regressionsmodell jedoch an seine Grenzen.
Eine vorgelagerte Locomotion Mode Classification mit anschließender belastungsspezifischer Modellselektion stellt daher einen vielversprechenden Ansatz dar.

 

Hier sorgen Sie für Veränderung

Im Rahmen dieser Arbeit soll ein Machine-Learning-Modell entwickelt werden, das auf Basis von Beschleunigungssensordaten unterschiedliche Lokomotionsmodi (z. B. verschiedene Gangarten, ggf. zyklische Bewegungsformen wie Radfahren) zuverlässig klassifiziert.
Für Laufbewegungen steht eine umfangreiche Datengrundlage aus einer Studie mit acht Gangprofilen zur Verfügung. Diese Daten wurden mithilfe von OpenSim analysiert, um interne Kräfte und Momente zu bestimmen. Ein TCN wurde bereits als datengetriebenes Ersatzmodell etabliert und schätzt Kniekräfte und -momente aus Zeitreihendaten der Beschleunigungssensorik.


Ziel der Arbeit ist es, den Anwendungsbereich auf weitere Lokomotionsmodi zu erweitern und eine integrierte Klassifikations- und Modellpipeline zu entwickeln.

  • Identifikation und Definition relevanter Lokomotionsmodi im Kontext der Kniebelastung
  • Entwicklung eines Machine-Learning-Modells zur Klassifikation von Zeitreihendaten Locomotion Mode Classification)
  • Integration der Klassifikation in eine belastungsspezifische Modellselektion bzw. adaptive Erweiterung des bestehenden TCN-Regressionsmodells
  • Validierung und Evaluation hinsichtlich Genauigkeit, Robustheit und Echtzeitfähigkeit
  • Untersuchung, wie die Ergebnisse zur Ableitung individualisierter Handlungsempfehlungen genutzt werden können

 

Hiermit bringen Sie sich ein

  • Gültige Immatrikulation an einer deutschen Hochschule oder Universität
  • Studium der Informatik, Biomechanik, Medizintechnik oder eines vergleichbaren Studiengangs
  • Erfahrung im Bereich Machine Learning, idealerweise mit Deep Learning für Zeitreihendaten
  • Gute Programmierkenntnisse in Python, vorzugsweise mit Frameworks wie TensorFlow oder PyTorch
  • Interesse an datengetriebener Modellierung mit direktem Anwendungsbezug in der patientenzentrierten Gesundheitsversorgung

 

Was wir für Sie bereithalten

  • Ein spannendes Forschungsumfeld an der Schnittstelle von Informatik, Biomechanik und Medizintechnik
  • Mitarbeit in einem interdisziplinären Team aus der Bewegungsanalyse, Simulation, Regelung und datengetriebenen Modellierung
  • Praxisnahe Forschung mit klarem Anwendungsbezug in der patientenzentrierten Gesundheitsversorgung
  • Fachliche Betreuung mit wöchentlichen Feedback-Terminen und Unterstützung bei wissenschaftlicher Publikation (bei entsprechender Eignung)

 

Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt. Unsere Aufgaben sind vielfältig und anpassbar – für Bewerber*innen mit Behinderung finden wir gemeinsam Lösungen, die ihre Fähigkeiten optimal fördern.

Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft. 

Bereit für Veränderung? Dann bewerben Sie sich jetzt, und machen Sie einen Unterschied! Nach Eingang Ihrer Online-Bewerbung erhalten Sie eine automatische Empfangsbestätigung. Dann melden wir uns schnellstmöglich und sagen Ihnen, wie es weitergeht. 
 

Frau Lisa Schäfer

Recruiting

+49 711 970-3681

lisa.schaefer@ipa.fraunhofer.de 

Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA 

www.ipa.fraunhofer.de 


Kennziffer: 83601                Bewerbungsfrist: 

 

Key Skills
Machine LearningDeep LearningTemporal Convolutional NetworksTime Series DataAcceleration Sensor DataPythonTensorFlowPyTorchBiomechanicsMedical TechnologyLocomotion Mode ClassificationModel SelectionData-driven ModelingSignal Processing
Categories
Science & ResearchEngineeringData & AnalyticsSoftwareHealthcare