Hintergrund und Projektinhalt

Abweichungen von Standard-Gangmustern frühzeitig zu diagnostizieren, erleichtert es erheblich präventive therapeutische Maßnahmen – wie ein individuell abgestimmtes Gangtraining etwa – zu ergreifen. Üblicherweise werden solche Abweichungen von Therapeuten*innen festgestellt oder mit Hilfe von Messsystemen erkannt, die nur geschulten Spezialist*innen zugänglich sind. Um es Patient*innen zu ermöglichen autonom, ohne Anleitung durch Fachpersonal an Therapiezielen zu arbeiten, braucht es aber Systeme, die auch im Alltag einsetzbar sind. Derartige Systeme sollten leicht zu handhaben und zu verstehen sein und auf einfache Weise über Fehlstellungen und Fehlbewegungen informieren.

Das vorliegende Projekt ist eine Erweiterung des Projektes SONIGAIT II und darauf ausgerichtet die Möglichkeiten der „stappone“ Einlegesohle für therapeutische Zwecke auszuloten. Diese Einlegesohle wurde von dem Partnerunternehmen stAPPtronics entwickelt und liefert pedobarographische Daten (d.h. Daten über den Druck zwischen Fuß und Boden). Die zu dem System gehörige App verarbeitet die Daten und gibt Einblick in das Bewegungsverhalten der Träger*innen der Einlegesohle.  Im SONIGAIT II Projekt wurde hierfür bereits eine Schnittstelle entwickelt, die eine Datenerfassung in Echtzeit erlaubt. Außerdem wurde Methoden des maschinellen Lernens eingesetzt, um Bodenreaktionskräfte und Beschleunigungsdaten zu ermitteln sowie Feedbacksysteme zugefügt, die über akustische Signale (Sonifikation) Abweichungen von Standardbewegungsmustern rückmelden.

 Ziele und Methoden

SONIGAIT II InnoScheck setzt die Arbeit an einem in einem Vorgängerprojekt entwickelten mobilen auditiven Feedbacksystem fort. Dieses System unterstützt Nutzer*innen, indem sie akustische Signale erhalten, dabei Fehlbewegungen (Abweichungen vom Standardgang) zu korrigieren. Hauptziel des vorliegenden Projekts ist es, die Wirksamkeit eines solchen Systems als zusätzliches therapeutisches Instrument zu evaluieren.

Im ersten Teil des Projektes werden die Modelle des maschinellen Lernens auf denen die auditiven Feedbacks (unter welchen Bedingungen muss akustisches Signal gegeben werden) beruhen, validiert, um festzustellen, inwieweit Verbesserungen notwendig sind. Dafür werden die automatischen Klassifizierungen durch die maschinellen Lernmodelle mit den von Therapeut*innen getroffenen Einschätzungen verglichen.

Ein auditives Feedback zu erhalten, das verlässlich über Abweichungen informiert, ist eine wichtige Voraussetzung für ein brauchbares therapeutisches Instrument. Es ist jedoch auch wichtig zu testen, wie potenzielle Nutzer*innen dieses Feedback wahrnehmen und ob und wie sie es zur Korrektur ihrer Gangmuster verwenden. Dafür werden gesunde Testpersonen gebeten, die stAPPtronics Einlagesohle zu tragen und verschiedene Geh- und Haltungsübungen durchzuführen. Währenddessen erfassen Forscher*innen Haltung und Gang  mit einem hochmodernen Motion-Capture-System und untersuchen, wie gut die Proband*innen das auditiven Feedback für Bewegungskorrekturen nutzen.

Auf der einen Seite liefern die Ergebnisse aus dem Projekt dem Forschungsteam wertvolle Erkenntnisse, um die Technologie der mobilen Ganganalyse voranzubringen, auf der anderen Seite helfen sie dem Unternehmenspartner sein Produkt zu verbessern.