#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 Industriepartnerinnen und -partnern.

Projekte

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

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.

Sonigait II InnoScheck

Prüft inwieweit sich eine sensorausgestatteten Einlegesohle zur Erkennung von Veränderungen im Gangmuster für präventive Therapien eignet.

ELSA - Evaluation of simple gait analysis devices

Evaluierung einfacher Messprinzipien zur Untersuchung des Behandlungserfolges bei der Rehabilitation nach Rekonstruktion des vorderen Kreuzbandes

HIPstar

Evaluierung der Genauigkeit verschiedener nicht-invasiver Methoden zur Bestimmung des Hüftgelenkszentrums für die klinische Ganganalyse bei übergewichtigen Kindern und Jugendlichen

Evaluierung der Bewegungsvariabilität mit Hilfe von tragbaren Beschleunigungssensoren

Untersuchung des menschlichen Gangbildes mit Hilfe eines tragbaren Messsystems (IMU)

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

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

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

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/gnt2s9

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

Dumphart, B., Slijepčević, D., Unglaube, F., Kranzl, A., Baca, A., Zeppelzauer, M., & Horsak, B. (2021). An automated deep learning-based gait event detection algorithm for various pathologies. Gait & Posture, 90, 50–51. https://doi.org/https://doi.org/10.1016/j.gaitpost.2021.09.026

Horsak, B., Simonlehner, M., Schöffer, L., Dumphart, B., Jalaeefar, A., & Husinsky, M. (2021). Overground walking in a fully immersive Virtual Reality: Preliminary results of a comprehensive study on the effects on walking biomechanics. Gait & Posture, 90, 100–101. https://doi.org/https://doi.org/10.3389/fbioe.2021.780314

Krondorfer, P., Slijepčević, D., Unglaube, F., Kranzl, A., Breiteneder, C., Zeppelzauer, M., & Horsak, B. (2021). Deep learning-based similarity retrieval in clinical 3D gait analysis. Gait & Posture, 90, 127–128. https://doi.org/https://doi.org/10.1016/j.gaitpost.2021.09.066

News

19.10.2022