#Motor Rehabilitation

Das Forschungsgebiet Motor Rehabilitation an der FH St. Pölten entwickelt technologiegestützte Ansätze der Bewegungsrehabilitation und fördert deren breiten Einsatz in der klinischen Praxis durch die Kooperation mit Industriepartner*innen.

Projekte

PROGRESS

Validierung eines kostengünstigen und auf Smartphones basierenden 3D-Gang- und Bewegungsanalysesystems zur Erfassung der Bewegungskinematik bei Kindern mit Zerebralparese.

ACCESS

Bewertung klinisch relevanter biomechanischer Biomarker im Feld zur Vorhersage der körperlichen Funktion und Gesundheit bei Patient*innen mit Kniegelenksarthrose: Eine bundesweite Citizen Science Stu...

VReeze

Entwicklung einer Open-Source-Virtual-Reality-Lösung, um das "Einfrieren" von Bewegungen bei Parkinson Patient*innen besser behandeln zu können.

TrustAI - Eine Plattform für interaktive und vertrauenswürdige künstliche Intelligenz

Erklärbare und vertrauenswürdige AI-Lösungen in einer einfach zu bedienenden Plattform.

EyeQTrack – Quantitative Blickerfassunganalytik für adaptives XR-Training und Rehabilitation im Gesundheitswesen

Eine adaptive eXtended-Reality-Umgebung für Trainings- und Therapiezwecke.

Angewandte Biomechanik in der Rehabilitationsforschung

Stiftungsprofessur des Landes Niederösterreich zur Stärkung und Ausbau des Forschungsschwerpunkts Motor Rehabilitation

ULTRASKEL3D

Ultraschallgestützte Skelett-3D-Scans für personalisierte Muskuloskelettale Modellierungen.

deepForce - Zeiteffiziente Bestimmung der Kniekontaktkräfte in der klinischen Ganganalyse mit Hilfe von Machine und Deep Learning

Nutzt Deep Learning, um komplexe muskuloskelettale Simulationen in der Ganganalyse Kliniker*innen auf einfache und schnelle Art und Weise zugänglich zu machen?

O3DGA – Der Einsatz von maschinellem Lernen als unterstützende Maßnahme in der klinischen 3-dimensionalen Ganganalyse

Optimierung von zeitaufwändigen und fehleranfälligen Prozessen in der dreidimensionalen Ganganalyse.

VeRgonomiX III

Schulung und Training von Ergonomie im Sicherheits- und Gesundheitsschutz.

Publikationen

Horst, F., Hoitz, F., Slijepcevic, D., Schons, N., Beckmann, H., Nigg, B. M., & Schöllhorn, W. I. (2023). Identification of subject-specific responses to footwear during running. Scientific Reports, 13(1), 11284. https://doi.org/10.1038/s41598-023-38090-0

Durstberger, S., Kranzl, A., & Horsak, B. (2023). Effects of three different regression-based hip joint center localization methods in adolescents with obesity on kinematics and kinetics - preliminary results of the HIPstar study. Gait & Posture, 100, 42–43. https://doi.org/10.1016/j.gaitpost.2022.11.056

Slijepcevic, D., Zeppelzauer, M., Unglaube, F., Kranzl, A., Breiteneder, C., & Horsak, B. (2023). Towards more transparency: The utility of Grad-CAM in tracing back deep learning based classification decisions in children with cerebral palsy. Gait & Posture, 100, 32–33. https://doi.org/10.1016/j.gaitpost.2022.11.045

Vulpe-Grigorasi, A. (2023). Multimodal machine learning for cognitive load based on eye tracking and biosensors. 2023 Symposium on Eye Tracking Research and Applications, 1–3. https://doi.org/10.1145/3588015.3589534

Vulpe-Grigorasi, A. (2023). Cognitive load assessment based on VR eye-tracking and biosensors. Proceedings of the 22nd International Conference on Mobile and Ubiquitous Multimedia, 589–591. https://doi.org/10.1145/3626705.3632618

Slijepcevic, D., Horst, F., Simak, M., Lapuschkin, S., Raberger, A. M., Samek, W., Breiteneder, C., Schöllhorn, W. I., Zeppelzauer, M., & Horsak, B. (2022). Explaining machine learning models for age classification in human gait analysis. Gait & Posture, 97, S252–S253. https://doi.org/10.1016/j.gaitpost.2022.07.153

Leung, V., Simone Hofbauer, Leonhartsberger, J., Kee, C., Liang, Y., & Schmied, R. (2022, 05). Influence of education systems on children’s visual behaviours as an environmental risk factor for myopia: a quantitative analysis with LIDAR-sensor tracking in classrooms. 18th International Myopia Conference, Rotterdam.

Bibtex

Slijepcevic, D., Horst, F., Lapuschkin, S., Horsak, B., Raberger, A.-M., Kranzl, A., Samek, W., Breitender, C., Schöllhorn, W., & Zeppelzauer, M. (2022). Explaining Machine Learning Models for Clinical Gait Analysis. ACM Transactions on Computing for Healthcare, 3(2), 14:1-14:27. https://doi.org/10.1145/3474121

Rind, A., Slijepcevic, D., Zeppelzauer, M., Unglaube, F., Kranzl, A., & Horsak, B. (2022). Trustworthy Visual Analytics in Clinical Gait Analysis: A Case Study for Patients with Cerebral Palsy. Proc. 2022 IEEE Workshop on TRust and EXpertise in Visual Analytics (TREX), 7–15. https://doi.org/10.1109/TREX57753.2022.00006

Schwab, C., Durstberger, S., Kainz, H., Baca, A., Thajer, A., Greber-Platzer, S., Ilse, J., Horsak, B., & Kranzl, A. (2021). Accuracy of 3-dimensional freehand ultrasound to estimate anatomical landmarks in children and adolescents with obesity. Gait & Posture, 90, 232–233. https://doi.org/https://doi.org/10.1016/j.gaitpost.2021.09.120

News

27.02.2025