Erkennung und Klassifikation von Haltungs- und Gangmustern am Rollator durch Abstandsmessungen – ein Vergleich zwischen klinischer Beurteilung und maschineller Klassifikation

Dieser Artikel beschreibt die Entwicklung eines Rollatormoduls zur sensorgestutzten Haltungs- und Gangmustererkennung mit dem Ziel, eine alltagstaugliche Hilfe zur Sturzpravention zu entwickeln. Kernbeitrag ist ein Vergleich zwischen der Beurteilung einzelner Gangparameter durch klinisches Personal und der im Rollatormodul verwendeten maschinellen Klassifikationsmethode, der Mahalanobis-Distanz uber Zeitreihen von Sensormesswerten. Das hier beschriebene Rollatormodul erweitert einen handelsublichen Rollator um zwei Tiefenbildkameras, die sowohl den Oberkorper als auch Beine und Becken des Benutzers beobachten. Aus dem Strom von Tiefenbildern werden Distanzmessungen zu 8 relevanten Punkten auf der Korperoberflache (Schultern, Beckenkamme, Oberschenkel, Schienbeine) zu Zeitreihen zusammengefasst, die einzelne Schrittzyklen beschreiben. Zur automatischen Klassifikation der Schrittzyklen im Hinblick auf 14 sicherheitsrelevante Gangparameter (Schrittbreite, -hohe, -lange, -symmetrie, -variabilitat; Flexion von Oberkorper, Knie (l/r) und Hufte (l/r); Position, Distanz zum Rollator; 2‑, 5‑wertiges Gangmuster. [Wahrend das 2‑wertige Gangmuster einen Schrittzyklus grob in pathologisch und physiologisch unterteilt, differenziert das 5‑wertige Gangmuster zwischen antalgischen, ataktischen, paretischen, protektiven und physiologischen Schrittzyklen.]), wurden jeweils einzelne Klassifikationsalgorithmen mit Techniken des maschinellen Lernens trainiert und dazu mathematisch die Mahalanobis-Distanz verwendet (Distanz einzelner Schrittzyklen zu Klassenmitteln und zugehorigen Kovarianzmatrizen). Sowohl Trainings- als auch Testdatensatze wurden dazu im klinischen Kontext mit 29 Probanden gewonnen. Dabei diente die durch klinische Experten vorgenommene Beurteilung des Gangbildes einer am Rollator gehenden Person sowohl zur Annotierung sensorischer Schrittzyklusbeschreibungen der Trainings- als auch der verwendeten Testdatensatze. Zur Bewertung der Qualitat der automatischen Klassifikation des Rollatormoduls wurde ein abschliesender Vergleich zwischen menschlicher und maschineller Beurteilung uber alle Gangparameter vorgenommen. Die fur den Vergleich mit dem maschinellen Lernverfahren herangezogene Gangbeurteilung durch medizinisches Personal zeigte uber das gesamte Patientenkollektiv eine relativ homogene Klassenverteilung in den einzelnen Gangparametern. So zeigten beispielsweise 57 % eine erhohte, und 43 % eine normale Distanz zum Rollator. Zentriert zum Rollator positionierten sich 51 % der Probanden, wahrend 41 % eine links abweichende und 8 % eine rechts abweichende Position einnahmen. Zwolf weitere Gangparameter wurden in 2 bis 5 Klassen unterteilt und beurteilt. Einzelne Schrittzyklen eines jeden Probanden wurden mithilfe der trainierten Klassifikationsalgorithmen beurteilt. Die besten maschinellen Klassifikationsraten uber alle Probanden ergaben sich fur die Parameter Distanz zum Rollator (99,4 %) und das 2-wertige Gangmuster (99,2 %). Die Schrittvariabilitat (94,6 %) und die Position zum Rollator (94,2 %) zeigten die schlechtesten Klassifikationsraten. Uber alle Gangparameter und Probanden wurden 96,9 % aller Schrittzyklusbeschreibungen korrekt klassifiziert. Mit einer durchschnittlichen Klassifikationsrate von 96,9 % eignet sich das beschriebene Gangklassifikationssystem sowohl fur den Einsatz in einem patientenorientierten Trainings‑/Korrektursystem, das auf Fehlhaltungen im Alltag hinweist, als auch fur ein potenzielles Diagnosesystem, das die Ganganalyse im klinischen Umfeld objektiviert. Vor dem Erreichen dieser Ziele konzentrieren sich aktuelle Arbeiten auf den Wechsel von tiefenbildkamerabasierter Distanzmessung zu kleinformatigen Distanzsensoren (1D Lidar) sowie das Design und die Implementierung einer geeigneten Rollatornutzerschnittstelle. Fur den eigentlichen Klassifikationsalgorithmus wird zudem an einem Vergleich der Ergebnisse mit denen von gefalteten neuronalen Netzwerken gearbeitet.