Konzeption und Entwicklung einer Android-Fitness-App in Kombination mit Nahinfrarotspektroskopie

Inhaltsverzeichnis

Danksagung

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

TEIL A EINFÜHRUNG
1 Ausgangssituation und Problemstellung
2 Forschungsfragen und Zielsetzung
3 Aufbau der Arbeit

TEIL B THEORETISCHE GRUNDLAGE
1 Grundlage Nahinfrarotspektroskopie
1.1 Allgemeine Grundlagen Nahinfrarotspektroskopie
1.2 Lebensmittelanalyse via NIRS
2 Funktionsweise des tragbaren Nahinfrarotsensor SCIO
2.1 Hardware des Nahinfrarotsensors
2.2 Webanwendung SCIO-LAB
2.3 Modellbildung
2.3.1 Vorbereitung
2.3.2 Definieren einer Data Collection
2.3.3 Einpflegen einer Data Collection
2.3.4 Erstellen eines Modells
2.3.5 Evaluieren und Test Model Performance
2.4 Mobile SDK für Android
3 OAuth 2.0
3.1 Allgemeine Funktionsweise
3.2 Akteure bei der Verwendung
4. Schichtenarchitektur
4.1 Frontend-/Präsentationsschicht
4.2 Logikschicht
4.3 Persistenzschicht
4.4 Ziel der Drei-Tier-Architektur
5 Entwicklungsumgebung Android Studio

TEIL C VERSUCHSAUFBAU UND KONZEPTION DER APPLIKATION
1 Versuchsaufbau und Modellbildung in der Praxis
1.1 Kontrolle der bereitgestellten Modelle „Fat“ und „Proteine“
1.2 Modellbildung mit Alkohol
2 User Experience
2.1 Personas
2.2 Use-Case
3 Architektur der Fitnessapplikation
3.1 User Interface
3.1.1 Splashscreen
3.1.2 Login-Screen
3.1.3 Home-Screen
3.1.4 Navigation Drawer
3.1.5 Profil Screen
3.1.6 Foodlog
3.1.7 Nahrung hinzufügen
3.1.8 Geräteauswahl und Login-Screen
3.1.9 Modellauswahl bei SCIO
3.2 Logik
3.2.1 Verarbeitung der Sensordaten
3.2.2 Applikationslogik
3.3 Persistenzschicht

TEIL D IMPLEMENTIERUNG UND FAZIT
1. Implementierung OAuth2.0 Protokoll
2. Implementierung der App-Funktionalitäten
2.1 Verbindungsaufbau und Kommunikation mit Benutzerdatenbank
2.2 Login/Registrierungs Funktionalität
2.3 Implementierung der Benutzerdatenabfrage
2.4 Implementierung Foodcard
3. Fazit und Ausblick
3.1 Fazit
3.2 Ausblick

Anhang I

1. Versuchsaufbau Alkohol

2. Personas

Literaturverzeichnis

Danksagung

Ich bedanke mich bei all jenen, die mir bei meiner Bachelorarbeit in jeglicher Hinsicht unterstützt haben.

Besonders möchte ich mich ganz herzlich bei Frau Prof. Dr. Isabel John bedanken. Sie half mir bei der Themenfindung und übernahm die umfangreiche Erstbetreuung. Zusätzlich gab sie mir hilfreiche Anregung und Ratschläge. Auch gilt mein Dank Herrn Prof. Dr. Rolf Schillinger, der mir als Zweitkorrektor unterstützend zur Seite stand.

Herzlichen Dank!

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abbildung 1 Aufbau Nahinfrarotsensor

Abbildung 2 Kalibrierungsaufforderung per Smarphone

Abbildung 3 Modell Workflow

Abbildung 4 Filterung der Wellenlänge

Abbildung 5 Optionen zur Vorverarbeitung

Abbildung 6 Expert Mode

Abbildung 7 Data-Scrubbing Spotting-Outliers

Abbildung 8 gutes Streudiagramm

Abbildung 9 schlechtes Streudiagramm

Abbildung 10 App-Development-Workflow

Abbildung 11 Ablauf Authorisierung mit OAuth 2.0

Abbildung 12 Drei-Tier-Architektur

Abbildung 13 Modell für Proteinanalyse

Abbildung 14 Persona erstellt mit xtensio.com. Bild von Pixabay.com

Abbildung 15 Use-Case-Diagramm erstellt mit www.creately.com

Abbildung 16 Fitnessapp Architektur

Abbildung 17 Splashscreen

Abbildung 18 Login-Screen

Abbildung 19 Login Exception

Abbildung 20 Home-Screen

Abbildung 21 Navigation Drawer

Abbildung 22 Profil Screen

Abbildung 23 Foodlog

Abbildung 24 Nahrung hinzufügen

Abbildung 25 SCIO Geräteauswahl

Abbildung 26 SCIO Anmeldefenster

Abbildung 27 SCIO Kategorieauswahl

Abbildung 28 Relation zwischen einzelne Komponente erstellt mit creately.com.

Abbildung 29 Implementierung Key und Redirect URL

Abbildung 30 Benutzen der Klasse ScioLoginActivity

Abbildung 31 PHP-Skript für Übertragung der Benutzerinformation

Abbildung 32 Clientseitige Programmierung für einen Postrequest

Abbildung 33 Regulärer Ausdruck für eine Emailadresse

Abbildung 34 Validierung Passworteingabe

Abbildung 35 Datenbankauszug: SHA-256 Passwort-Hash

Abbildung 36 Implementierung SHA-256

Abbildung 37 PHP-Skript für das Abfragen der Benutzerinformationen

Abbildung 38 Einlesen Ergebnis vom Server

Abbildung 39 Interpretation der Response vom Server

Abbildung 40 Daten von SCIO-Datenbank weiter verarbeiten

Tabellenverzeichnis

Tabelle 1 Attribute einer Data Collection

Tabelle 2 Messung mit fünf verschiedene Käsesorte

Tabelle 3 Standardabweichungen von fünf Käsesorten

Tabelle 4 Textueller Use-Case für Login-Funktion

Tabelle 5 Texteuller Use-Case für Registrier-Funktion

Tabelle 6 Textueller Use-Case „Konsum per NIRS analysieren“

Tabelle 7 Überblick Funktionsumfang der SCIO-Logic

Tabelle 8 Überblick Funktionsumfang der Applikationslogik

Tabelle 9 Validierung Email-Format

Tabelle 10 Validierung Benutzerpasswort

Teil A Einführung

1 Ausgangssituation und Problemstellung

Gesundheitsprofile, die basierend auf dem Körperfettanteil, Rückschlüsse auf die Gesundheit zulassen und Nahrungsanalyse, die Makrobestandteile wie Fett, Eiweiß und Kohlenhydrate aufzeigt, sind für Sportler essentiell. Nahrungs- und Körperanalysen sollten für Sportler schnell zugänglich sein. Um ein gewisses Ziel zu erreichen, sei es Gewichtsabnahme, Gewicht halten oder Muskelaufbau, sind Sportler darauf angewiesen, neben dem Aspekt Kalorien zu messen, z. B. Ihren Eiweißkonsum zu erfassen, um eine möglichst ideale Proteinbiosynthese zu gewährleisten.

Proteine zählen zu den wichtigsten Lebensmittelinhaltsstoffen. Ein Leben ohne Proteine ist nicht möglich. Zumal dienen sie nicht nur als Energieträger wie Fett oder Kohlenhydrate. Proteine sind zusätzlich wichtige Bausubstanzen.^[1] Vom Körper aufgenommene Proteine werden in ihre Bestandteile (Aminosäuren) zersetzt. Prinzipiell kann man diese in zwei Gruppen aufteilen. Essentielle und nicht-essentielle Aminosäuren. Nicht-essentielle Aminosäuren kann der Körper selbst aus elementaren Beständen aufbauen. Essentielle Aminosäuren hingegen müssen über die Nahrung zugeführt werden. Der tägliche Bedarf beim Erwachsenen liegt laut Deutsche Gesellschaft für Ernährung (kurz dge) bei 0.8g pro kg Körpergewicht.^[2] Wichtig dabei ist, verschiedene Einflussfaktoren führen dazu, dass der Proteinbedarf erheblichen Schwankungen unterliegt.^[3]

Um zu erfassen, wie viele Proteine über den Tag bereits konsumiert wurden, gibt es bereits verschiedene Applikationen, die eine Hilfestellung bilden. Viele von ihnen funktionieren üblicherweise mit Hilfe von Strichcode-Scanns für die Identifizierung. Über eine zentrale Datenbank wird per Internet, Auskunft über die Menge der Proteine und Fette zum jeweiligen Lebensmittel gegeben.

Eine Kombination der mobilen Anwendung mit einem tragbaren Nahinfrarotsensor für die Protein- und Fettbestandteilanalyse im Fitnesskontext ist für den Alltagsgebrauch nicht verfügbar. Stellt aber eine praktische Alternative zum herkömmlichen Verfahren dar. Besitzt das Lebensmittel beispielsweise keinen Strichcode, kann eine schnelle Analyse per Nahinfrarotverfahren Abhilfe schaffen.

Dabei bieten verschiedene Hersteller tragbare Nahinfrarotsensoren an, welche mit einem Smartphone verbunden werden können. Neben dem Nahinfrarotsensor „SCIO“ vom Hersteller Consumer Physics, welche im Rahmen der Bachelorarbeit näher beleuchtet wird, existieren weitere Nahinfrarotsensoranbieter. Einer davon ist die Firma TellSpec. Im Grunde sind die Zielfunktionalitäten letztlich die gleiche: Ein tragbarer Nahinfrarotsensor für die Nahrungsbestandsteilanalyse.

2 Forschungsfragen und Zielsetzung

Diese Bachelorarbeit beschäftigt sich mit der Frage, ob die Technik der Nahinfrarotspektroskopie einen Mehrwert bzw. neue Funktionalitäten im Fitnessbereich bietet. Dabei wird die Fragestellung konkret mit der Aufgabenstellung, nämlich das Analysieren der Protein- und Fettbestandteile von verschiedenen Nahrungsmitteln und das Entwickeln einer Applikation beantwortet.

Resultat für diese wissenschaftliche Arbeit ist ein Basiskonzept, welche als Grundlage für künftige Entwicklungen dienen kann. Die Applikation welche zum fernsteuern eines Nahinfrarotspektrometer dient, soll darüber hinaus für den einzelnen Athleten nützliche Funktionalitäten wie

- Schnelle Protein-/Fettbestandteilanalyse
- Einfache Verzehrempfehlung
- Persistente Datenhaltung der personenbezogenen Daten
- Einfach zu bedienende Oberfläche besitzen.

3 Aufbau der Arbeit

Die vorliegende Arbeit soll die Thematik der Fitnessapplikation in Kombination mit eines Nahinfrarotsensors aus verschiedenen Gesichtspunkten beleuchten. Dabei lässt sich die Bachelorarbeit semantisch in drei Teilen aufteilen.

Zu Beginn werden theoretische Grundlagen erklärt, welche nötig sind, um die in der Konzeption beschriebenen Technologien zu verstehen. Unter anderem wird ein, vom Hersteller „Consumer Physics“, entwickelter Nahinfrarotsensor vorgestellt.

Im zweiten Teil der Arbeit wird mit Hilfe eines Versuchsaufbaus die Genauigkeit und damit die Grenzen eines tragbaren Nahinfrarotsensors aufgezeigt. Auch die Konzeption einer möglichen Fitnessapplikation wird hier vorgestellt. Welche Zielgruppen relevant sind und wie die Fitnessapplikation funktionieren wird, soll hier beantwortet werden.

Ein weiteres Kapitel ist die Implementierung der Konzeption. Sie soll als Beweis der Machtbarkeit dienen. Primäres Ziel dieses Kapitels ist jedoch das Aufzeigen einer möglichen technischen Umsetzung der einzelnen Funktionalitäten, welche die Fitnessapplikation besitzen wird. Neben Validierung durch verschiedene Tests, sollen Codeschnipseln gezeigt werden.

Abschließend wird in diesem Kapitel ein Fazit über die gesamte Bachelorthesis gezogen.

Folgende Kapitel aus Teil B wurden aus der Bachelorarbeit vom Herrn Weichselfelder übernommen:^[4]

> 1.2 Lebensmittelanalyse via NIRS

> 2.3 Modellbildung

> 2.4 Mobile SDK für Android

Teil B Theoretische Grundlage

Dieses Kapitel stellt die Grundlage für das Verständnis der Teile C und D dar.

1 Grundlage Nahinfrarotspektroskopie

1.1 Allgemeine Grundlagen Nahinfrarotspektroskopie

Nahinfrarotspektroskopie (kurz NI RS) ist eine Analysetechnik auf Basis der Spektroskopie. Dabei wird Infrarotstrahlung (IR) im Bereich von 780 nm - 1 mm verwendet. Innerhalb dieses Bereichs, werden drei Frequenz- oder Wellenlängenbänder unterschieden:

- Nahes Infrarot: 0,8 - 3 μm
- Mittleres Infrarot: 3 - 50 μm
- Fernes Infrarot: 50 - 1000 μm

Abhängig vom Ziel der Messung bieten alle drei Bänder ihre Vor- und Nachteile. Im Nahinfrarotbereich sind die Valenzschwingungen von Molekülen zu detektieren. Die in Resonanz tretenden Schwingungen sind nahezu ausschließlich CH-, NH- und OH-Bindungen. Dabei ist die Intensität der Absorption im NIR-Bereich um den Faktor 10-100 geringer als die dazugehörigen Grundschwingungen. Die Intensitätsreduktion bietet entscheidende Vorteile im Vergleich zur MIR-Spektroskopie. Mit NIR- Spektroskopie sind die Messungen an unverdünnten Proben einfach möglich. Ein weiterer Vorteil ist die höhere Energie des nahinfraroten Lichts im Vergleich zum mittleren Infrarotbereichs. Dadurch sind größere Eindringtiefen und damit eine einfachere Handhabung möglich.^[5]

Für NIR-Messung existieren verschiedene Spektrometer-Typen. Neben dispersiven NIR-Spektrometern hat das Fourier-Transformations­Infrarotspektrometer (kurz FTIR-Spektrometer) eine bedeutende Relevanz im Hinblick auf mobile Anwendungen und Anwendungen im Bereich der Online­Prozessanalysen. Im Wesentlichen wird bei dem FTIR-Spektrometer ein Interferogramm durch ein Interferometer erzeugt und mit Hilfe der Fourier­Transformation in ein Spektrum umgewandelt. Entscheidende Vorteile, bezogen auf die mobile Anwendungswelt, sind die stark verkürzten Messzeiten, günstige Signal-/ Rauschverhältnis und eine größere Empfindlichkeit.

1.2 Lebensmittelanalyse via NIRS

Den Bereich der Lebensmittelanalyse hat die NIRS schon vor über 40 Jahren erreicht. Eine der ersten Anwendungen, fand in der Mühlen- und Backindustrie statt. Es wurde Getreide auf Proteine und Feuchtigkeit getestet.^[6]

Die erste Anwendung der Analyse via NIRS für Milch fand in den 1970er Jahren statt. Seitdem wurden die Methoden immer weiter verbessert. Milchprodukte wie zum Beispiel Käse konnten, mit diesen verbesserten Methoden, analysiert werden. ^[7] Mit dieser Methode konnten Hauptbestandteile aus Milchprodukten (Fett, Protein und Laktose) ermittelt werden. Das Spektrum lag im Bereich zwischen 800-1100 nm. ^[8]

Auch die Weinqualität konnte getestet werden. Die Wellenlänge lag zwischen 400-2500 nm. Getestet wurde trockener Rotwein. Der für den Rot-Wein wichtigen Parameter Anthocyananteil wurde ermittelt. Hieraus konnte die Qualität des jeweiligen Weines ermittelt werden.^[9]

Abbildung in dieser Leseprobe nicht enthalten

Die Herstellung von Sake ist im Vergleich zu Wein und Biererzeugung ein sehr komplexer Prozess. Jedoch fand auch hier die NIRS eine wichtige Anwendung.

Vor dem Gärprozess findet das Polieren der Reiskörner statt. Beim Polieren werden die äußeren Kleieschichten entfernt. Diese Reiskörner sind für die Qualität des Sake enorm wichtig. Der Anteil der polierten Reiskörner konnte via NIRS ermittelt werden. Auch Inhaltsstoffe wie der Zuckeranteil konnten sehr genau erfasst werden (R =0.9949) .^[10]

Folgende Bestandteile lassen sich aus Lebensmittel via NIRS ermitteln.

- Wasser
- Protein
- Fett/Öl
- Getreide: Ballaststoffe
- Kohlenhydrate
- Energie
- Fleisch: Rind, Geflügel, Fisch
- Getränke: Milch, Wein, Bier

Es lassen sich noch mehr Bestandteile nachweisen die hier nicht aufgelistet sind. Einzelne Studien belegen das eine Analyse von bestimmten Bestandteilen via NIRS möglich ist.^[11]

Es gibt jedoch noch Probleme. Die steigende Zelldichte im Gärprozess stellt eine Herausforderung dar. Genauso müssen Störeinflüsse auf der Oberfläche der Probe vermieden werden.^[12]

Über die letzten Jahrzehnte hinweg wurde die Lebensmittelanalyse in der NIRS immer weiter verbessert. Die Methoden wurden immer exakter. Dies lag vor allem auch an einer immer besseren Soft- und Hardware, die es den Laboren ermöglichten, neue Lebensmittel zu analysieren und Inhaltsstoffe zu bestimmen.

2 Funktionsweise des tragbaren Nahinfrarotsensor SCIO

In diesem Kapitel wird der tragbare Nahinfrarotsensor „SCIO“ von der Firma Consumer Physics vorgestellt. Diese wurde unterstützt durch die Crowdfunding- Platform „Kickstarter“. Laut Hersteller handelt es sich hierbei um den weltweit ersten bezahlbaren Molekularsensor im Handheld-Format.^[13]

2.1 Hardware des Nahinfrarotsensors

Das Designkonzept von SCIO zielt auf leichte Bedienbarkeit ab. Dadurch soll die Handhabung ohne lange Einarbeitungszeit einfach erfolgen. Im Grunde besitzt das Device lediglich einen einzigen Bedienknopf. Dieser ist für Funktionen wie das Anstoßen des Kalibriervorgangs oder die Analyse zuständig. Eine hohe Benutzerfreundlichkeit ist demnach gegeben. Die Bedienung muss allerdings stets mit einem Smartphone erfolgen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1 Aufbau Nahinfrarotsensor

1. Molecular-Sensor
2. Beleuchtung
3. Temperatursensor
4. Funktionsknopf
5. Status Indikator
6. USB Charging Port
7. Charge/Power Status
8. Kalibrierungsmodul ^[14]

Für die Kalibrierung liefert der Hersteller zudem eine lichtundurchlässige Hülle mit. Im Prinzip erkennt SCIO selbstständig, ob eine Kalibrierung nötig ist. In diesem Fall erscheint eine Benachrichtigung auf dem Smartphone. Von dort kann der Benutzer den Kalibriervorgang anstoßen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 Kalibrierungsaufforderung per Smartphone

2.2 Webanwendung SCIO-LAB

Zusätzlich zur Hardware stellt der Hersteller eine Website für die Auswertung und Modellbildung zur Verfügung. Die Webanwendung ist erreichbar unter https://sciolab.consumerphvsics.com/.

Zum Funktionsumfang gehört unter anderem das Erstellen von Collections und Models. Nützlich hierbei ist das Anwenden verschiedener Algorithmen auf dem per Fuorier Transformation erzeugten Graph. (Mehr zu Modelbildung siehe Teil B, Kap. 2.3)

Außerdem kann in der Webanwendung eine App-Registrierung vorgenommen werden, welche für die Entwicklung erforderlich ist, da die Authentifikation per OAuth 2.0 (siehe Teil B, Kap. 3) erfolgt. Zusätzlich gibt es die Möglichkeit ein System-Development-Kit kurz SDK für das Betriebsystem Android und iOS herunterzuladen.

2.3 Modellbildung

In SCIO sind Modelle ein mathematischer Algorithmus, der eine Data Collection in einen datenverarbeitenden Prozess umwandelt. Modelle entstehen aus Datensammlungen, welche in verschiedenen Gruppen von Samples (Proben) abgescannt wurden. Samples sind wiederum Datensammlungen von Spektral­und Metadaten aus Probematerialien.^[15]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Modell Workflow

Die Abbildung 3 beschreibt einen Modell Workflow. Im folgendem Kapitel wird auf die einzelnen Schritte eingegangen.

2.3.1 Vorbereitung

Bei SCIO wird zwischen zwei verschiedenen Modelltypen unterschieden.

In Classification (Einordnung) wird zwischen verschiedenen Kategorien von Objekten unterschieden, basierend auf dem spektralen Fingerabdruck des Objektes. Als Beispiel dient der Unterschied zwischen einen Apfel und einer Birne.

In Estimation (Bewertung) wird eine Sammlung von Objekten gleicher Kategorie untersucht. Attribute, wie zum Beispiel Zucker und Fett, werden analysiert. Basierend auf vorherigen Scans, von Objekten gleicher Kategorie wie zum Beispiel vielen verschiedenen Äpfeln, ist es dem User möglich ein Objekt mit einem bestimmten Attribut genau zu definieren. Hier lässt sich dann zum Beispiel der Zuckeranteil eines Apfels ermitteln.

Eine Data Collection muss groß genug sein, um ein exaktes Modell erstellen zu können.

Als Beispiel dient hier die Tablette Ibuprofen. Das erste Datenset startet mit 20 Flaschen von Ibuprofen, von dem gleichen Hersteller. Von diesen Flaschen

werden jeweils 5 Tabletten abgescannt. Jede einzelne Tablette wird wiederum 3 mal gescannt.

3 Scans pro Tablette * 5 Tabletten pro Flasche * 20 Flaschen = 300 Scans

Um ein "Classification" Modell zu bilden werden nochmals 300 Pillen gescannt. Dieses mal jedoch von einem anderen Hersteller. Daraus ergeben sich mindestens 600 benötigte Scans.

2.3.2 Definieren einer Data Collection

Eine Data Collection besteht aus einer unlimitierten Anzahl von abgescannten Proben. Um ein aussagekräftiges Ergebnis zu erzielen, sind mindestens 40 verschiedene Proben notwendig, die jeweils drei Mal abgescannt wurden.

Eine Data Collection enthält Samples. Samples bestehen aus den Scans und den Metadaten die durch den SCIO Sensor ermittelt werden.

Diese Metadaten werden in SCIO durch Attribute festgelegt. In folgender Tabelle sind die verschiedenen möglichen Attribute aufgelistet.

Tabelle 1: Attribute einer Data Collection

Abbildung in dieser Leseprobe nicht enthalten

2.3.3 Einpflegen einer Data Collection

Um eine Data Collection einzupflegen benötigt man die Applikation SCIO Lab Mobile. SCIO Lab Mobile ist die mobile Applikation für Android und iOS, für das Scannen mit den SCIO Sensor. Diese Applikation ermittelt die Daten aus den Scans. Das Kalibrieren des Gerätes, sowie das Synchronisieren, ist ebenfalls möglich.

Ein Sample ist eine einzigartige physikalische Materie oder Objekt, welches durch SCIO abgescannt wird. Ein Beispiel wäre ein einzigartiger Edelstein, Tablette oder Apfel. Zwei verschiedene Stücke Quarz, wären auch zwei verschiedene Samples. In einer Data Collection muss jedes Sample einzigartig sein. Dies bedeutet, dass es sich zumindest in einem Attribut von den anderen Samples unterscheiden muss.

Für das Erstellen einer Data Collection, mit dem Ziel einer Modellbildung, sind mindestens 40 Samples, notwendig. Jedes Sample muss mindestens 3-mal abgescannt werden. Daraus ergibt sich eine empfohlene Anzahl von mindestens 120 Scans.

Ein Scan erstellt einen spektralen Fingerabdruck eines Samples. Jeder Scan produziert jedoch Unterschiede im spektralen Fingerabdruck, selbst wenn das Objekt exakt das selbe ist. Verschuldet wird dies durch äußere Einflüsse wie z.B. Licht und Temperatur.

Aus mehreren Scans des gleichen Objektes entsteht ein Sample. Mehrere Samples ergeben dann eine Data Collection. Aus der Data Collection entsteht dann ein molekulares Modell.

Wichtig ist, dass nicht immer das gleiche Objekt, in der gleichen Reihenfolge, abgescannt werden sollte. Vielmehr wird eine Zufälligkeit, in der Auswahl der Tabletten die gescannt werden müssen, empfohlen. Der Grund hierfür liegt an möglichen Störeinflüssen von außerhalb. Faktoren wie Licht und die Temperatur können einen Scan beeinflussen und die Messwerte verfälschen.

2.3.4 Erstellen eines Modells

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Filterung der Wellenlänge

Hier ist es wichtig die richtige Wellenlänge herauszufiltern. Diese ist obligatorisch um nicht relevante Wellenlängen zu entfernen, um aus dem Anteil der wirklich relevant und informativ ist, ein exaktes Modell erstellen zu können.

Wie in der Abbildung 4 ist nur der Teil relevant, der die größten Ausprägungen im Spektrum hat.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5: Optionen zur Vorverarbeitung

In der Vorverarbeitung stehen verschiedene Methoden zur Verfügung. Mit diesen ist es möglich, verschiedene Algorithmen auf das Data Collection Spektrum anzuwenden.^[16]

Der SCIO Graph wird wie folgt beschrieben:

- die X-Achse repräsentiert die Wellenlänge in Nanometern
- die Wellenlänge der Y-Achse hängt von folgenden ausgewählten Methoden ab
- Reflectance, unverarbeitetes reflektierendes Spektrum (zurzeit nicht mehr im Labor verfügbar)
- Processed (only)

Anwendung des Lambert-Beersches Gesetz. Dieses beschreibt die Absorption der Lichtintensität.^[17] Hierfür wird eine Log-Umwandlung und ein angepasstes Resultat aus Störungen und Abweichungen vom Model verwendet.

- Normalized (only)

Erstellt ein normalisiertes Signal. Klassische Messunterscheidungen (z.B. unterschiedliche Scan Abstände), die von Sample zu Sample unterschiedlich sein können, werden hier kompensiert. Die Y-Achse ist immer noch reflektierend. In diesem Falle jedoch unter normalisierten Werten.

- Processed and Normalized

Eine Kombination aus diesen beiden Methoden ist zum Beispiel für Samples, die sich in ihren Graphen extrem in der Stärke bzw. Dicke unterscheiden.

- (log)R))" and Normalized

Diese Kombination fügt noch mehr Störungen hinzu, um eine Veränderungen in den Graphen zu erreichen. Dies ist für spezielle Modelle notwendig, um ein exaktes Modell erstellen zu können.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 6: Expert Mode

Eine weitere Möglichkeit, die in der Vorverarbeitung zur Verfügung steht, ist der Expert Mode. In diesem Modus stehen verschiedene Algorithmen zur Verfügung. Diese können beliebig oft verwendet, und bis zu fünf Mal miteinander verkettet, werden.

Folgende Methoden stehen zur Verfügung:

- Log

Diese nimmt den unveränderten Logarithmus des jeweiligen Wertes in den Spektren auf

- SNV

berechnet und subtrahiert den Durchschnitt des jeweiligen Spektrums und dividiert ihn mit der Standardabweichung

- Substract Average

subtrahiert den Durchschnitt, der über der Wellenlänge des jeweiligen Punktes im Spektrum lieg. Liegt das Spektrum zum Beispiel zwischen 3 und 1, wird nach Anwenden dieser Methode das Spektrum zwischen -1 und 1 liegen.

- Substract Minimum

subtrahiert die jeweiligen Minimalwerte der Spektren. Liegt das Spektrum zum Beispiel zwischen 3 und 1, wird nach Anwenden dieser Methode das Spektrum zwischen 0 und 2 liegen.

- Select WL

hier lässt sich die jeweilige Wellenlänge, für den nächsten Schritt, auswählen.

- Derivative (Ableitung)

Zur Auswahl steht die 1. und die 2. Ableitung, welche auf das Spektrum angewendet werden kann.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 7: Data-Scrubbing Spotting-Outliers

Abbildung 7 zeigt die Datenbereinigung. Dieser ist ein Prozess, welches Störeinflüsse, Ausreißer und Fehler identifiziert und eliminiert. Dieser Prozess ist unumgänglich um ein exaktes Modell zu erstellen.

2.3.5 Evaluieren und Test Model Performance

Im Streudiagramm zeigt die horizontale Achse die bekannten (Known) Werte und die vertikale Achse die geschätzten (Estimated) Werte an. Jeder Punkt auf dem Diagramm stellt einen Scan dar. Im Streudiagramm, wird mittels der zentralen Linie, das optimale Modell abgebildet. Die beiden Linien, die über und unter dieser Linie verlaufen, stellen eine 20 % Fehlertoleranz dar.

[...]

---

^[1] R. Matissek und W. Baltes 2016, S. 188

^[2] o.V. (o.Jg.) Protein, https://www.dge.de/wissenschaft/referenzwerte/protein/, Abruf am 15.08.2016

^[3] H. Biesalski und M. Adolph 2010, S. 122

^[4] Weichselfelder 2016

^[5] J. Hollandt (2009) Infrarotstrahlung, http://www.weltderphysik.de/gebiet/atome/elektromagnetisches- spektrum/infrarotstrahlung/, Abruf am 16.08.2016

^[6] B. Osborne et al. 2006, S. 281

^[7] B. Osborne et al. 2006, S. 323–328

^[8] H. Huang et al. 2008, S. 303–313

^[9] T. Yano et al. 2006, S. 345–346

^[10] T. Yano et al. 2006, S. 347-349

^[11] F. McClure 2006, S. 3-4

^[12] T. Yano et al. 2006, S. 357

^[13] o.V. (o.Jg.) SCIO: Explore More! A Pocket Molecular Sensor For All!, https://www.consumerphysics.com/, Abruf am 08.08.2016

^[14] o.V. (o.Jg.) SCIO Sensor, https://dev.consumerphysics.com/category/getting-started/meetscio/ scio_sensor/, Abruf am 08.08.2016

^[15] o.V. (o.Jg.) What is a Model?, https://dev.consumerphysics.com/category/models/what-is-a-model/, Abruf am 25.07.2016

^[16] o.V. (o.Jg.) What is a Model?, https://dev.consumerphysics.com/category/models/what-is-a-model/, Abruf am 25.07.2016

^[17] C. Elwell, J. Hebden (1999) Near Infrared Specroscopy, http://www.ucl.ac.uk/medphys/research/borl/intro/nirs, Abruf am 25.07.2016