Publikationer från KTH
Not a member yet
57933 research outputs found
Sort by
Balansering av precision och latens i händelsebaserad spårning : En fallstudie på en kaotisk pendel
No full textThe introduction of event cameras has led to the development of numerous event-based feature tracking algorithms, many of which rely on resource intensive approaches involving deep learning and neural networks. This study evaluates the performance of a relatively low-computation, asynchronous, hypothesis based algorithm (HASTE) on a high-speed, triple-armed pendulum system, and aims to improve accuracy and latency. HASTE tracks motion by estimating movement based on scoring hypotheses of possible positions of the tracked feature, using data from event cameras. Three key parameters were modified to assess their impact on the tracker’s performance: the size of the template patch, referring to the region of pixels used to calculate hypothesis scores; the number of hypotheses generated for each incoming event; and the size of the hypotheses perturbation threshold, which determine how far each hypothesis deviates from the current state. Results show that the perturbation threshold size is the most significant factor for accuracy, where even small increases resulted in severe position errors. Template patch size also affected accuracy, with larger patches generally yielding lower errors, although the difference is negligible. In contrast, the number of hypotheses proved to have minimal impact on accuracy, instead having a bigger influence on computational speed. Latency was found to increase linearly with the number of hypotheses and quadratically with template size, while slightly decreasing with larger perturbation thresholds. Overall, we report that keeping the template size small, combined with minimal threshold values and a minimal hypothesis set offers a good balance and trade-off between accuracy and speed.Införandet av eventkameror har lett till utvecklingen av många eventbaserade algoritmer för spårning av objekt, där många förlitar sig på resurskrävande metoder som djupinlärning och neurala nätverk. Denna studie undersöker hur en asynkron, hypotesbaserad algoritm (HASTE) med relativt låg beräkningskostnad, presterar på ett trippelarmat kaotiskt pendelsystem, och syftar till att förbättra både noggrannhet och latenstid. Algoritmen använder data från eventkameror för att spåra rörelse genom att estimera förflyttning baserat på poängsättning av hypoteser om möjliga positioner för objektet. Tre nyckelparametrar modifierades för att utvärdera deras påverkan på spårarens prestanda: storleken på mallen, vilket är området av pixlar som används för att beräkna hypotespoäng, antalet hypoteser som genereras för varje inkommande event, samt stoleken på hypotesernas perturbationströskel, vilket bestämmer hur långt varje hypotes avviker från den nuvarande positionen. Resultaten visar att storleken på perturbationströskeln är den mest betydelsefulla faktorn för noggrannheten, där även små ökningar ledde till stora positionsfel. Storleken på mallen påverkade också noggrannheten, där större mallar generellt gav lägre fel, även om skillnaden är försumbar. Däremot hade antalet hypoteser minimal påverkan på noggrannheten, det påverkade istället beräkningshastigheten mer. Latenstiden visade sig öka linjärt med antalet hypoteser och kvadratiskt med mallens storlek, medan den minskade något med större perturbationströsklar. Sammanfattningsvis rapporterar vi att en liten mallstorlek, kombinerat med låga tröskelvärden och ett minimalt hypotesantal, erbjuder en bra balans och kompromiss mellan noggrannhet och hastighet
Utvärdering av annoteringsdetaljens effekt vid AI-baserad kariesdetektion
No full textCaries is the most common disease worldwide, with more than a third of the adult population around the world suffering from untreated caries. Early detection is crucial for optimal treatment, and in recent years, artificial intelligence has played an important role in caries detection within the field of dentistry. This study investigates how the level of annotation detail impacts the performance of a pre-trained convolutional neural network model in caries detection. Roboflow was used to train several RF-DETR models on a subset of the Dental X-Ray Panoramic Dataset with augmented annotations. The results suggest that less exact but more consistent annotations may be more effective when training caries detection models, potentially saving valuable time and reducing the resources necessary for preparing training data.Karies är den vanligaste sjukdomen i världen, med mer än en tredjedel av den vuxna befolkningen runt om i världen drabbade av obehandlad karies. Tidig upptäckt är avgörande för att få optimal behandling, och på senare år har artificiell intelligens spelat en viktig roll för diagnostiseringen inom tandvården. Den här studien undersöker effekten av annoteringsdetaljer på prestandan hos ett förtränat konvolusionellt neuralt nätverk vid kariesdetektering. Denna studie använde Roboflow för att träna flera RF-DETR modeller på en delmängd av Dental X-Ray Panoramic Datasetet med augmenterade annoteringar. Resultaten tyder på att mindre exakta men mer konsekventa annoteringar kan vara bättre vid träning av kariesdetekteringsmodeller. Detta kan potentiellt spara värdefull tid och minska de resurser som krävs för att förbereda träningsdata
Att hitta det bästa elektroniska betalningssystemet för en Svensk freemium applikation : En jämförelse av de två mest använda elektroniska betalsystemen i Sverige
No full textThis thesis investigates what online payment service is best for a Swedish web application. The investigation combines a multi-criteria decision making method (MCDM) and cyclomatic complexity analysis for accurate and relevant results. This is important as it offers a rigorous foundation when deciding what payment service to implement. The study aims to fill a research gap by using the combination of MCDM method and cyclomatic complexity analysis to compare online payment services. Solving this problem starts with a mixed-methods literature review, meaning that both qualitative and quantitative aspects are evaluated for what makes a good payment service. The results of the literature review show that Swish and Klarna are the two payment services that should continue for further analysis with a specific MCDM method called Analytic Hierarchy Process (AHP). This method compares the payment systems based on criterion regarding Zenon AB’s web application. The results of the scoring show that Swish is better than Klarna in the context of Zenon’s needs. Following the AHP method, a cyclomatic complexity analysis that measures code complexity is performed to evaluate whether Klarna or Swish is more complex to implement and maintain. The combined results of the MCDM method and cyclomatic complexity show that Swish is better suited to Zenon’s needs, while being less complex to implement. Finally, a prototype is built using React and NodeJS that demonstrates how a user makes both one-time and recurring payments through the Swish API. The prototype meets all the requirements set by the project supervisors at Zenon AB.Detta examensarbete undersöker vilken nätbaserad betaltjänst som är bäst lämpad för en svensk web applikation. Undersökningen kombinerar en multi-criteria decision making (MCDM) metod samt en kodkomplexitetsanalys för noggranna och relevanta resultat. Detta är viktigt då det ger en mer rigorös grund att stå på för val av betaltjänst. Studien ämnar att fylla ett forskningsgap som finns kring att använda både MCDM metoder och cyklomatisk komplexitet för att utvärdera olika online betaltjänster. Lösningen till detta problem börjar med en litteraturstudie som blandar både kvantitativa och kvalitativa aspekter för vad som gör en betaltjänst bra. Resultaten från litteraturstudien visar att Swish och Klarna är de två betaltjänsterna som ska fortsätta utvärderas mer noggrant med en MCDM metod som kallas Analytic Hierarchy Process. Denna metod används för att jämföra betaltjänsterna mot Zenon AB’s kriterier de har för en betaltjänst. Resultaten visar, utifrån Zenon’s behov, att Swish passar deras applikation bättre än Klarna. Därefter utförs en cyklomatisk komplexitetsanalys som visar om Swish eller Klarna är mer komplex att implementera och underhålla. De kombinerade resultaten av AHP och cyklomatisk komplexitet visar att Swish passar bättre utifrån Zenon’s behov, samt att Swish har lägre kodkomplexitet. Slutligen byggs en prototyp som implementeras med React och NodeJS, som demonstrerar hur en användare kan göra både engångsbetalningar och återkommande betalningar genom Swish API. Prototypen når kraven satta av handläggarna vid Zenon AB för vad prototypen ska demonstrera. Detta examensarbete demonstrerar hur en kombination av multi-criteria decision method och cyklomatisk komplexitet används för att ge noggranna och relevanta resultat vid jämförelse av olika betaltjänster. Detta arbete kan användas som grund för liknande jämförelser, där både kvalitativa och kvantitativa aspekter är viktiga, samt hur de står sig mot specifika kriterier
Automatiserad generering av visuella regressionstester genom tillståndsutforskning
No full textAs web applications become increasingly central to digital experiences, ensuring visual consistency across user interfaces is crucial. Unintended visual changes, or visual regressions, can harm user experience and lead to significant issues for organisations. Visual Regression Testing (VRT) helps address this by detecting visual anomalies during the development process. This study explores how state exploration can enhance VRT suites for React component libraries using Storybook and Playwright. We present AutoVRT, a novel tool that automatically generates interaction-based VRT tests and evaluates them using first-order mutation analysis. Applied to five components from an industrial project: OSTTRA’s React library, AutoVRT produced 86 new interaction-based tests, improving the mutation score from 0.22 to 0.53, a 130% increase per component on average. Remaining limitations suggest a need for more well-defined component stories to support more effective test generation.I en tid där webbapplikationer spelar en central roll i digitala tjänster blir visuell enhetlighet allt viktigare. Oavsiktliga visuella förändringar, så kallade visuella regressioner, kan resultera i en sämre användarupplevelse, vilket i sin tur kan få en negativ effekt för organisationer. Visuell regressionstestning (VRT) är en etablerad metod för att upptäcka sådana avvikelser under utvecklingsprocessen. Den här studien undersöker hur tillståndsutforskning kan förbättra effektiviteten hos VRT-sviter för React-komponentbibliotek, genom att använda Storybook och Playwright. Vi presenterar det utvecklade verktyget AutoVRT, som automatiskt genererar interaktionsbaserade VRT-tester och utvärderar deras förmåga att upptäcka fel med hjälp av mutationstestning. AutoVRT tillämpades på fem komponenter från det industriella projektet OSTTRA:s React-bibliotek, vilket resulterade i 86 nya tester. Andelen upptäckta mutationer förbättrades från 0,22 till 0,53, vilket motsvarar en genomsnittlig ökning på 130% per komponent. Trots förbättringarna pekar resultaten på ett fortsatt behov av tydligare och mer heltäckande komponentversioner (stories) för att möjliggöra effektiv testgenerering och tillståndsutforskning
Öppen källkod för insikter i datakänsliga tillämpningar : Utvärdering och implementering av verktyg för observerbarhet inom hälso- och sjukvårdssektorn
No full textObservability provides understanding of internal states of an application, a fresh concept in software development. This project looks at how open-source software can be used to achieve observability in data-sensitive applications, mainly within the healthcare sector. A lot of developers are unfamiliar with the observability concept and selecting the perfect tool can be a difficult task. This becomes amplified if there is a risk of breaching laws and regulations regarding sensitive data and user privacy. The problem investigated is what criteria the open-source observability software has to fulfill to be viable as an observability tool in data-sensitive applications. To solve this problem, an assessment model for the evaluation of open-source software was defined. In addition to that, a qualitative approach was taken through a survey, to gain further insight into the necessary criteria. Since the healthcare industry is one of the sectors that handles sensitive data, the target population was IT professionals in the healthcare sector. Through a case study, this project also looks at one of the potential options for open-source observability software: OpenTelemetry. The assessment model consists of three primary categories, namely product attractiveness, software quality, trustworthiness, and an added user privacy criterion. The survey shows that some of the primary factors that concern IT professionals in the IT industry are performance, usability, and scalability. Through the case study, it is shown that OpenTelemetry fulfills many of the criteria defined in the assessment model and offers functionalities that can simplify handling of sensitive data. One criterion that was not investigated in the case study, is performance. The performance overhead of an observability tool depends not only on the tool but also on the application and the implementation itself. Collaboration with the healthcare industry or a project focusing on the performance criterion can be of great interest for future work.Observerbarhet är ett relativt nytt koncept inom mjukvaruutveckling som innebär att man kan få förståelse för interna tillstånd i ett system. Det här projektet undersöker hur öppen källkod kan användas för att uppnå observerbarhet i datakänsliga tillämpningar, huvudsakligen inom hälso- och sjukvårdssektorn. Då många utvecklare är mindre bekanta vid observerbarhet, kan det vara en utmanande uppgift att välja rätt verktyg. Denna utmaning blir särskilt komplex när det finns en risk att bryta mot lagar och regler kring användarens integritet och hantering av känslig data. Projektets frågeställning är: vilka kriterier behöver en öppen källkod uppfylla för att vara användbar i datakänsliga sammanhang? För att besvara frågan definierades en bedömningsmodell för att utvärdera öppen källkod. Utöver detta användes en kvalitativ metod i form av en enkätundersökning för att få djupare insikter för vilka kriterier som anses viktiga. Eftersom hälso- och sjukvården är en sektor som hanterar känslig data, var målgruppen för enkätundersökningen IT-personal inom denna bransch. Genom en fallstudie, undersöker projektet även ett av de potentiella verktygen för observerbarhet med öppen källkod: OpenTelemetry. Den framtagna bedömningsmodellen består av tre huvudkategorier, samt ett kriterium för användarintegritet. Enkäten visar att några av de viktigaste faktorerna enligt IT-personal inom hälso- och sjukvården är prestanda, användarvänlighet, och skalbarhet. Fallstudien visar att OpenTelemetry uppfyller många av de kriterier som definierats i bedömningsmodellen och erbjuder funktioner som kan underlätta hantering av känslig data. Ett kriterium som däremot inte undersöktes i fallstudien är prestanda. Prestandakostnaden av ett verktyg för observerbarhet beror inte endast på själva verktyget, utan även på tillämpningen och implementationen. Samarbete med vårdsektorn eller ett projekt med fokus på just prestandakriteriet kan vara av stort intresse för framtida arbete
Identifiering av kundanvändningsmönster och termiskt systembeteende i 5G-baseband : En utvärdering av särdragsbaserad och modellbaserad tidsserieklustring
No full textThe increasing complexity of 5G mobile networks and their hardware infrastructure creates a growing need to understand real-world usage patterns in network components. This thesis explores how time series clustering can be used to identify patterns and behaviors in thermal and power measurements from Ericsson baseband products, which are core components of 5G networks. Two clustering strategies are investigated: model-based clustering using Hidden Markov Models, and feature-based clustering using extracted statistical features. The study uses one year of multivariate time series data from 212 basebands, including temperature, power, and fan speed measurements. Each sequence was modeled individually with a Hidden Markov Model for the model-based approach, and transformed into a vector of statistical features for the feature-based approach. Clustering was performed using K-medoids with appropriate distance metrics, and the resulting clusters were evaluated using performance scores, internal cluster analysis, and interpretation supported by domain expertise. The results show that model-based clustering with a Hidden Markov Model yields more clear and interpretable clusters than the feature-based approach. The clusters primarily reflect patterns in the overall thermal and power load of the basebands, as well as abnormal system behaviors. The study also highlights challenges such as high dimensionality and limited data when using feature-based clustering, emphasizing that careful feature engineering and selection is a crucial and non-trivial step that impacts clustering results. These findings suggest that time series clustering, particularly model-based methods, can be a valuable tool for analyzing behavior in telecommunication hardware such as basebands, with potential applications in anomaly detection and performance monitoring.Den ökande komplexiteten i 5G-mobilnätverk och deras hårdvaruinfrastruktur skapar ett växande behov av att förstå verkliga användningsmönster i nätverkskomponenter. I denna avhandling undersöks hur tidsserieklustring kan användas för att identifiera mönster och beteenden i temperatur- och effektmätningar från Ericssons basbands-produkter, som är centrala komponenter i 5G-nätverk. Två klustringsstrategier utvärderas: modellbaserad klustring med hjälp av dolda Markovmodeller, samt särdragsbaserad klustring baserad på extraherade statistiska egenskaper. Studien använder ett års multivariat tidsseriedata från 212 baseband-enheter, inkluderande mätningar av temperatur, effektförbrukning och fläkthastighet. Varje sekvens modellerades individuellt med en dold Markovmodell för den modellbaserade metoden, och transformerades till en vektor av statistiska särdrag för den särdragsbaserade metoden. Klustringen genomfördes med K-medoids och lämpliga avståndsmått, och de resulterande klustren utvärderades med hjälp av prestationsmått, intern klusteranalys samt tolkning med stöd av domänexpertis. Resultaten visar att modellbaserad klustring med markovmodeller ger tydligare och mer tolkningsbara kluster än den särdragsbaserade metoden. Klustren speglar främst mönster i basebandens totala termiska och elektriska belastning samt avvikande systembeteenden. Studien lyfter även fram utmaningar såsom hög dimensionalitet och begränsad datamängd i den särdragsbaserade metoden, och betonar att noggrann särdragsextraktion och urval är ett kritiskt och icke-trivialt steg som påverkar klustringsresultaten. Slutsatserna indikerar att tidsserieklustring, särskilt modellbaserade metoder, kan vara ett värdefullt verktyg för att analysera beteenden i telekommunikationshårdvara såsom baseband, med potentiella tillämpningar inom anomalidetektion och systemövervakning
Multimodal Förträning med Språkanpassning för Utomhus Scenarier : Justering av 3D-LiDAR, bild och språk för nollskottsigenkänning av utomhusobjekt i 3D
No full textAdvances in 3D deep learning have improved LiDAR point cloud analysis, benefiting autonomous driving, robotics, and geospatial tasks. In the field of foundation model research, the alignment of sensor features with language features has allowed open-vocabulary perception, which has far-reaching applications. However, research in 3D language alignment is still at the nascent stages, mainly due to a lack of large, high-quality annotated datasets, limiting generalization and transfer learning. This line of research is virtually unexplored for outdoor scenarios, where sensor inputs are sparse, have large domain gaps, and incur occlusions. With this background in mind, the goal in this thesis is to attempt language alignment for sparse 3D outdoor scenes. Concretely, the aim is to align a 3D encoder to predict CLIP tokens for LiDAR-detected outdoor objects. This alignment with the multimodal space of CLIP (image & text) enables zero-shot 3D object understanding, improving generalization to unseen categories. Transferring 2D model knowledge to 3D perception compensates for limited 3D datasets. The significance of this work in the industrial environment is, for instance, enabling intelligent tagging of raw data logs captured in outdoor scenes at Scania. Mapping LiDAR to CLIP tokens allows dynamic, scalable tagging without retraining, making it ideal for large-scale driving datasets where new object classes and semantic changes frequently emerge.Framsteg inom 3D-djupinlärning har förbättrat analysen av LiDAR-punktmoln, vilket gynnar autonom körning, robotik och geospatiala uppgifter. Inom forskningen kring grundmodeller har justeringen av sensorfunktioner med språkfunktioner möjliggjort öppen vokabulärperception, vilket har långtgående tillämpningar. Dock är forskningen kring 3D-språkanpassning fortfarande i sin linda, främst på grund av bristen på stora, högkvalitativa annoterade datamängder, vilket begränsar generalisering och transferinlärning. Denna forskningsinriktning är i stort sett outforskad för utomhusscenarier, där sensorinmatningarna är glesa, har stora domängap och utsätts för ocklusioner. Mot denna bakgrund är målet i detta examensarbete att försöka uppnå språklig anpassning för glesa 3D-utomhusscener. Mer konkret är syftet att anpassa en 3D-kodare för att förutsäga CLIP-token för LiDAR-upptäckta objekt i utomhusmiljöer. Denna anpassning till CLIPs multimodala utrymme (bild och text) möjliggör nollskottsförståelse av 3D-objekt och förbättrar generaliseringen till tidigare osedda kategorier. Överföring av 2D-modellkunskap till 3D-perception kompenserar för begränsade 3D-datamängder. Betydelsen av detta arbete i en industriell kontext är exempelvis möjligheten att intelligent tagga råa dataloggar som fångats i utomhusscener hos Scania. Genom att mappa LiDAR till CLIP-token möjliggörs dynamisk, skalbar taggning utan omträning, vilket är idealiskt för storskaliga kördatamängder där nya objektklasser och semantiska förändringar ofta uppstår
NorDark Testbed, Uppsala/SE : Post-intervention Design and Light Measurements, Part III
No full textThis is the third part of a three-part technical report about the Uppsala testbed part of the NorDark research project. The earlier two reports contain the corresponding information based on the existing outdoor lighting installed at the testbed site in Sävja, Uppsala (Dincel, 2023; Dincel, 2024). Part One discussed the method and procedure of collecting data as well as illuminance and luminance levels by hand-held and HOBO sensor devices under different sky and weather conditions. Part Two complemented the first part by including spectral power distribution (SPD) and correlated colour temperature (CCT) values of the same conditions recorded by hand-held spectrometer devices and wearable LYS button sensors. This part focuses on outlining the measured results of illuminance and spectral properties after an outdoor lighting intervention was implemented at the site. The post-intervention measurements described here were conducted on specific days within a timeframe during the period of November 2023 and January 2025.QC 20250618NorDar
Förbättrade embeddings för offentlig upphandling : Nyttjandet av siamesiska neurala nätverk för förbättrad likhetsmatchning
No full textPublic procurement plays a vital role in modern economies, driving sectors from infrastructure to healthcare. However, the complex language, technical terminology, and legal structures found in procurement documents pose significant challenges for standard Natural Language Processing (NLP) models. This thesis addresses this gap by developing a domain-specific Siamese Neural Network (SNN) trained on public procurement data, aiming to improve similarity matching performance compared to OpenAI’s general-purpose text-embedding-3-small model. The study, conducted in collaboration with Tendium AB, evaluates whether a domain-specific approach can better capture the nuances of procurement language. The SNN was trained using contrastive loss to enhance its ability to distinguish between matching and non-matching pairs of procurements, with performance metrics including accuracy, precision, recall, and ranking quality. Results show that the SNN provides more precise class separation and improved recall, indicating a stronger alignment with the specific linguistic challenges of procurement texts. This highlights the potential of domain-specific embeddings to improve text matching in specialized contexts, offering practical benefits for public procurement platforms by reducing manual effort and improving retrieval accuracy.Offentlig upphandling spelar en central roll i moderna ekonomier och driver sektorer från infrastruktur till sjukvård. Samtidigt utgör det komplexa språket, den tekniska terminologin och de juridiska strukturerna i upphandlingsdokument stora utmaningar för standardmodeller inom naturlig språkbearbetning (NLP). Denna avhandling adresserar detta gap genom att utveckla ett domänspecifikt siamesiskt neuralt nätverk (SNN) tränat på upphandlingsdata, med målet att förbättra prestandan för likhetsmatchning jämfört med OpenAI:s generella text-embedding-3-small modell. Studien, genomförd i samarbete med Tendium AB, utvärderar om ett domänspecifikt tillvägagångssätt kan fånga upphandlingstexters språkliga nyanser mer effektivt. SNN-modellen tränades med kontrastiv förlust för att förbättra förmågan att skilja mellan matchande och icke-matchande par av upphandlingar, med prestandamått som noggrannhet, precision, träffsäkerhet och rankningskvalitet. Resultaten visar att SNN ger en mer exakt klassificering och förbättrad träffsäkerhet, vilket indikerar en bättre anpassning till de specifika språkliga utmaningarna i upphandlingstexter. Detta belyser potentialen för domänspecifika inbäddningar att förbättra textmatchning i specialiserade sammanhang, vilket erbjuder praktiska fördelar för plattformar för offentlig upphandling genom att minska manuellt arbete och förbättra träffsäkerheten vid informationssökning
The Bodyssey Kit : Hitta tillbaka till kroppen hemma
No full textThis thesis investigates how specially designed interactive objects can help people develop a beneficial, reflective awareness of their bodies that fits naturally into daily life, moving beyond the constant pressure to optimize. While digital technologies are deeply integrated with our bodies, they often create a distance from the body, making it harder to notice subtle physical cues or overwhelming us with data that lacks useful context. To address this, the Bodyssey Kit is introduced: a collection of tangible, interactive artifacts designed to gently draw attention to quiet, often subconscious, bodily experiences. This work demonstrates how subtle, low-tech, and ambient engagement can facilitate a profound sensory reconnection. It also explores the concept of using fleeting interactions to encourage reflection on daily routines. A critical discussion examines the dual nature of awareness, arguing for ethical design that prioritizes well-being over simply amplifying data. Finally, the thesis advocates for technology that values human experience over efficiency, critiquing the prevailing drive for constant output. Ultimately, this research proposes designing for a more humane, sustainable, and embodied relationship with technology.Denna avhandling undersöker hur specialdesignade interaktiva objekt kan hjälpa oss att utveckla en gynnsam, reflekterande kroppsmedvetenhet som naturligt integreras i vardagen, bortom den ständiga pressen att optimera. Även om digital teknik är djupt integrerad med våra kroppar, skapar den ofta en distans till kroppen, vilket gör det svårare att uppmärksamma subtila kroppsliga signaler eller överväldiga oss med data som saknar användbart sammanhang. För att bemöta detta introduceras Bodyssey Kittet: en samling konkreta, interaktiva artefakter utformade för att varsamt rikta uppmärksamheten mot tysta, ofta omedvetna, kroppsliga upplevelser. Detta arbete visar hur subtilt, lågteknologiskt och ambient engagemang kan underlätta en djupgående sensorisk återkoppling. Det utforskar också konceptet att använda flyktiga interaktioner för att uppmuntra reflektion över dagliga rutiner. En kritisk diskussion undersöker medvetenhetens dubbla natur och argumenterar för etisk design som prioriterar välbefinnande framför att enbart förstärka data. Slutligen förespråkar avhandlingen teknik som värdesätter mänsklig erfarenhet framför effektivitet, och kritiserar den rådande drivkraften för konstant prestation. I slutändan föreslår denna forskning design för en mer human, hållbar och kroppsförankrad relation till teknik