Ai tracking

Kan AI gøre os sundere?

Udgivet afEdbit Senest revideret:

Track din aktivitet med AI og maskinlæring

⏱️ 2 lektioner
🪜 7.-9. klasse
📚 Biologi, Teknologiforståelse

I skal i dag designe jeres egen aktivitetsmåler, der kan kende forskel på tre intensitetsniveauer af bevægelse og undersøge, hvordan jeres puls reagerer på dem.

Opmærksomhed

  • Fysisk aktivitet: Vær opmærksom på omgivelserne under fysisk aktivitet. Computere, ledninger og micro:bits må ikke ligge, så man snubler i dem under løb eller englehop.
  • Data: Når I træner AI-modellen, indsamler I bevægelsesdata. Selvom micro:bit CreateAI ikke gemmer personfølsomme oplysninger, skal I være vågne: Tag ikke billeder eller videoer af jeres klassekammerater under forsøget uden deres udtrykkelige samtykke.
  • Ophavsret: Hvis I henter ikoner eller billeder ind til jeres præsentationer eller regneark, skal de være godkendt til undervisningsbrug (Creative Commons) eller være jeres egne.

Forholdsregler

  • Fysisk beskyttelse: Skal der laves øvelser, hvor der er risiko for at tabe udstyr eller ramme hinanden, skal der holdes god afstand.
  • Digital adfærd: Hold en god tone på de digitale platforme. Når vi deler data eller kommenterer på hinandens AI-modeller, gør vi det konstruktivt.
  • Sikkerhed: Pas på jeres personlige adgangskoder. Del aldrig login med andre i gruppen, selvom I samarbejder om den samme computer.

Førstehjælp

  • Fysisk uheld: Hvis en elev falder eller slår sig under de fysiske test, stoppes aktiviteten med det samme. Tag fat i læreren med det samme! Ved mindre hudafskrabninger eller kontakt med urent inventar vaskes der grundigt med vand og sæbe.
  • Digitalt “uheld”: Hvis en computer crasher, eller jeres AI-model slettes ved en fejl: Bevar roen. Data i skyen kan ofte gendannes, og ellers må gruppen hjælpes ad med at lave en hurtig genoptagelse af data (AI-modeller kan trænes hurtigt igen).

Oprydning

  • Fysisk oprydning: micro:bits afmonteres forsigtigt. Ledninger rulles pænt sammen, og batteribokse slukkes, så batterierne ikke aflader.
  • Digital oprydning: Gem jeres data så I kan huske det, log ud og luk ned.

  1. Gå til https://createai.microbit.org og forbind din micro:bit.
  2. Opret tre “Actions” (bevægelseskategorier):
    • Hvil / Stillesiddende
    • Moderat (Gang / Sprællemænd)
    • Høj intensitet (Høje knæløft / Englehop)
  3. Spænd micro:bitten fast på testpersonen.
  4. Optag mindst 10-15 datasamples (af 1 sekund) for hver af de tre kategorier, mens testpersonen udfører bevægelsen.
  5. Træn modellen: Tryk på “Train model” og se, om maskinen lærer at kende forskel på graferne (X-, Y- og Z-aksen).
  6. Test i realtid: Test om AI’en gætter rigtigt, når testpersonen skifter mellem at sidde stille, gå og lave englehop.

Nu skal teknologien bruges til at undersøge kroppen.

  1. Find testpersonens hvilestofskifte/hvvilepuls ved at sidde stille i 2 minutter. Tæl pulsen i 15 sekunder og gang med 4 (eller mål med pulsmåler). Notér det.
  2. Lav en forsøgsrække af 3 minutters varighed for hver intensitet, som jeres AI har lært at genkende:
    • Niveau 1 (Hvil): Sid helt stille i 3 minutter. Mål pulsen med det samme.
    • Niveau 2 (Moderat): Lav den moderate øvelse i 3 minutter (AI’en skal registrere det korrekt undervejs!). Mål pulsen umiddelbart efter.
    • Niveau 3 (Høj): Lav høj-intensitetsøvelsen i 3 minutter. Mål pulsen med det samme.
  3. Notér også, hvor hurtigt pulsen falder til normal igen (restitutionstid) efter 1 og 2 minutter.

  1. Indtast jeres målinger i regnearket og genererer grafer.
  2. Grafopgave: Lav et søjlediagram over max-pulsen ved de tre intensiteter, samt en kurvegraf (punktplot), der viser restitutionstiden for moderat vs. høj intensitet.
+ Hent regneark

  • Biologi: Hvorfor stiger pulsen mere ved englehop end ved gang? Inddrag begreber som iltgæld, respiration og muskelarbejde.
  • Biologi: Hvad fortæller jeres data om testpersonens restitutionstid? (Jo hurtigere pulsen falder, jo bedre er formen/kredsløbet generelt).
  • Modellens validitet: Gættede jeres AI forkert på noget tidspunkt? Hvad sker der, hvis testpersonen pludselig hopper på én fod i stedet for at lave englehop?
  • Data Bias: Hvis I spænder micro:bitten fast på en anden person i gruppen, virker jeres AI-model så lige så godt? Hvorfor/hvorfor ikke? (Diskussion af, hvordan træningsdata definerer systemets fordomme og præcision).
  • Algoritmisk gennemsigtighed: Hvordan kan en kommerciel fitness-tracker (som tæller skridt/kalorier) snydes? (Fx hvis man ryster med armen i sofaen).

Når vi bevæger os, ændres kroppens behov for energi (ATP). Musklerne kræver ilt, hvilket får kredsløbet (puls og respiration) til at arbejde hurtigere. Men hvordan måler moderne wearables (som Apple Watch eller Garmin) egentlig, om du cykler, løber eller laver squats? De bruger indbyggede accelerometre kombineret med Machine Learning (kunstig intelligens).

  • 1 eller 2 micro:bit (V2 anbefales) pr. gruppe
  • Batteriboks og elastik/bælte til at spænde micro:bitten fast på kroppen (fx på håndleddet, låret eller omkring taljen).
  • Computer med bluetooth og internetadgang.
  • Stopur eller pulsmåler (eleverne kan også tælle pulsen manuelt på halsen).
  • Regneark

Eleverne skal undersøge kroppens fysiologiske reaktioner på forskellige former for bevægelse. For at tracke aktiviteten præcist skal de træne en Machine Learning-model (AI) via micro:bit CreateAI til at skelne mellem f.eks. gang, løb og englehop baseret på accelerationsdata.

Aktiviteten ruster eleverne til den faglige fællesprøve i naturfagene samt teknologiforståelse, da den kombinerer en biologisk undersøgelse af menneskekroppen med modellering, dataopsamling og kritisk stillingtagen til digitale artefakter.

Inspiration