-
Die Erfindung betrifft ein technisches System zur Analyse von Bewegungsdaten eines Menschen. Ein erster Einsatzbereich kann die Analyse zur optimalen medizinischen Patientenversorgung mit Gehhilfen, wie Orthesen und Prothesen, mit spezifischen Anwendungsvorgaben sein, welche den Patientenstatus, die medizinische Diagnose sowie die orthopädie-technischen Regeln vollumfänglich in Betracht zieht.
-
Hintergrund der Erfindung
-
Orthesen sind medizinische Hilfsmittel zur Unterstützung von Limitierungen der Funktionsfähigkeit von Extremitäten, beispielsweise als Folge von Cerebralparesen, Fußheberlähmungen, Schlaganfällen, Muskeldystrophien oder Polio Myelitis. Orthesen erlauben die Fixierung von Körperteilen zur Bewegungsstabilisierung und/oder Schonung sowie Bewegungsunterstützung von Gelenken. Orthesen werden äußerlich an die zu therapierende Extremität angelegt und über längere Zeiträume getragen.
-
Prothesen dagegen sind medizinische Hilfsmittel zum Ersatz von amputierten Körperteilen der oberen und unteren Extremitäten und werden daher am Körper zum Ausgleich des Funktionsverlustes eingesetzt.
-
Um für alle möglichen Bewegungseinschränkungen geeignet zu sein, müssen Orthesen und Prothesen individuell an den jeweiligen Patienten angepasst werden. Dieser Anspruch ist trotz allen Möglichkeiten der modernen Technik nicht leicht umzusetzen, da die beteiligten Disziplinen sehr unterschiedliche Vorgehensweisen haben und deren sichere Abstimmung zum Wohle des Patienten oft an den Kosten scheitert. Das Ergebnis sind oft suboptimale Versorgungen, die dem Kostendruck folgen und oft nur auf dem zufälligen Engagement eines Beteiligten geschuldet gelingen oder auch nicht.
-
Einerseits entwickeln sich aktuell Orthesenbaukastensysteme mit einer Vielzahl von Einstelleinrichtungen zur individuellen Anpassung zum Stand der Technik. Andererseits werden immer noch Orthesen nach genauer Messung der ergonomischen Verhältnisse des Patienten hoch-individuell und lokal angefertigt. Doch trotz allem Fortschritt in den orthopädie-technischen Systemen und Fertigungsprozessen, ist bei vielen Patienten das Korrekturergebnis immer noch schwer vorhersehbar und ist somit auch heute noch ganz an das Wissen und die Erfahrung des Orthopädietechnikers vor Ort gekoppelt; es fehlt ein wissensbasiert lernendes Unterstützungssystem zur genauen Gestaltung von Orthesen und Prothesen auf Basis von lokal erhobenen Patientendaten.
-
Speziell bei Orthesensystemen nach dem Stand der Technik müssen bereits vor Anfertigung der Orthese einzelne Ausführungsformen festgelegt werden, was zu unnötigen Einschränkungen im Versorgungsverlauf führen kann, da alternative Ansätze zum Vergleich sich wirtschaftlich nicht erlauben.
-
Einzig in
EP 2 922 506 B1 wird aber ein System mit einer sehr großen Freiheit in der Anwendung beschrieben, welches zur universellen Versorgung dienen könnte.
-
Neben der Verfügbarkeit von weitreichend modularen Systemen mit klar definierten und beschriebenen physikalischen Eigenschaften, was die Voraussetzung zum Aufbau einer Datenbank (DB) ist, müssen die notwendigen Bewegungsdaten ebenso klar und physikalisch eindeutig in allen räumlichen Dimensionen erhoben werden. Als Stand der Technik sind hier Messsensoren zu betrachten; am Mensch eingesetzt ist die korrekte Datenaufnahme allerdings nicht mehr selbstverständlich. Heute gängige Sensorsysteme basieren auf der Einbindung der Schwerkraft als Orientierungsmittel im Raum, was die Agilität der Datenerhebung durch die ständige Belegung eines Messkanales sehr beeinträchtigt. Neben der Agilität der Messsysteme ist deren komplizierte Anwendbarkeit ein weiteres Hindernis in der weiten Verbreitung in diesem Medizinbereich. Wünschenswert sind also Sensorsysteme, die sich durch Raumunabhängigkeit und maximale Fehlertoleranz in der Anwendung auszeichnen.
-
Aufgabe der Erfindung
-
Aufgabe der Erfindung ist es daher, die aufgezeigten Desiderata sinnvoll in einem geschlossenen System aufzulösen, namentlich die agile, schwerkraftunabhängige Datenaufnahme von menschlichen Bewegungsdaten mittels einfach bedienbarer Datenerfassungsstationen, deren vollumfängliche Analyse nach medizinischen und orthopädie-technischen Beurteilungsparametern zur sicheren Beurteilung und Defizitversorgung.
-
Lösung der Aufgabe
-
Die erfindungsgemäße Lösung der Aufgabe besteht im Wesentlichen aus der Bereitstellung eines Gehhilfenanpassungssystems mit einer Mehrzahl von IMU-Sensoren (IMU: inertial measurement unit), wie nachfolgend ausgeführt.
-
Gegenstand der Erfindung ist daher ein Gehhilfenanpassungssystem, enthaltend
- 1. ein oder mehrere inertiale Messeinheiten (IMU) mit Möglichkeit zur Datenübertragung an einen Auswertungscomputer,
- 2. eine entsprechende Anzahl von Befestigungsvorrichtungen, um die inertialen Messeinheiten an verschiedene Körperteile eines Patienten zu fixieren,
- 3. eine Messstation mit einem ersten Computer mit Empfangsvorrichtung für die Sensordaten, welcher gleichzeitig die gemessenen Daten an einen zweiten Computer übermitteln kann,
- 4. ein zweiter Computer zur Analyse der gemessenen Daten mit einer Datenbank zum Abgleich der gemessenen Daten mit Daten aus anderen Messungen,
- 5. eine Software zur Analyse der Bewegungsdaten, welche auf dem zweiten Computer abläuft, wobei das Analyseergebnis an den ersten Computer zurückgesendet wird sowie
- 6. ein Display auf dem oder angeschlossen an dem ersten Computer zur Anzeige des Analyseergebnisses.
-
Die Erfindung basiert auf der Verwendung einer oder mehreren von sogenannten inertialen Messeinheiten (inertial measuring unit, IMU), wie sie aus anderen technischen Bereichen bekannt sind, zum Beispiel aus der Flugnavigation. Derartige IMUs verfügen über drei jeweils orthogonal zueinander stehender Beschleunigungssensoren (Accelerometer) für die Erfassung der translatorischen Bewegungen in den drei Raumachsen sowie drei jeweils orthogonal zueinander stehender Drehratensensoren (Gyroskope) für die Erfassung rotierender Bewegungen in den drei Raumachsen. Für den erfindungsgemäßen Zweck können mikro-elektro-mechanische Systeme verwendet werden, die in Form von integrierten Schaltkreisen gebaut werden können.
-
Derartige IMUs sind auf dem Markt erhältlich (z.B. Axiamote XI von Axiamo) und bedürfen keiner weiteren Beschreibung an dieser Stelle.
-
Im Einzelnen ermöglicht ein einzelner IMU-Sensor die vollständige Beschreibung der dynamischen und statischen Situation eines Gelenkes in Bezug auf die physikalischen Parameter der Orthopädietechnik. Das System setzt eine Mehrzahl an IMU-Sensoren ein, deren Anzahl von der vorliegenden medizinischen Diagnose bestimmt wird. Die Komplexität des menschlichen Ganges ist in 1 dargestellt; hier sei besonders auf das dynamisch Verhalten des Beckens verwiesen, welches für sich schon eine Mehrzahl an Sensoren zur medizinischen und orthopädie-technischen Analyse bedingt. Hierbei kommen die speziellen, gravitationsunabhängigen IMU-Sensoren mit ihrer einfachen Anwendbarkeit zum Einsatz. Auch wirtschaftlich ist der Einsatz der IMU-Sensoren um wesentliche günstiger als heutige Standardsensoren.
-
Aufgrund ihrer geringen Größe können die IMU-Sensoren mit Klett- und/oder Magnet-befestigungen versehen werden, so dass sie sich in einfacher Weise an verschiedenen Körperregionen fixieren lassen (3).
-
Die Sensoren werden an verschiedene Körperteile eines Probanden fixiert. Zur Ganganalyse hat es sich beispielweise bewährt, sechs Sensoren einzusetzen, von denen zwei am Unterschenkel, zwei am Oberschenkel und zwei an der Hüfte oder am Beckenkamm des Patienten platziert werden. Im Normalfall werden sie in symmetrischer Weise an beiden Körperhälften fixiert. In Spezialfällen kann die Anordnung aber auch unsymmetrisch erfolgen. In 5 sind beispielhaft 9 Sensoren dargestellt. Für bestimmte einfache Analysen kann ein einziger Sensor ausreichend sein, in komplexeren Fällen können auch mehr als 9 Sensoren verwendet werden. Selbstverständlich steigt die Datenmenge mit der Anzahl der Sensoren, gleichzeitig steigt aber auch die Qualität der Messungen.
-
Bei der Bewegung eines Patienten bestimmen die Sensoren die auftretenden Beschleunigungen in die drei Raumachsen und die Rotationsbewegungen. Mit einer geeigneten Analysesoftware (s.u.) kann aus den Daten von zwei an derselben Extremität fixierten Sensoren der zeitliche Verlauf der Gelenkwinkel ermittelt werden.
So kann beispielsweise aus einem Sensor am Oberschenkel und einem Sensor am Unterschenkel zeitaufgelöst der Winkel des Kniegelenks im Gangzyklus ermittelt werden (siehe 2, oben). Durch einen Vergleich mit einem nicht bewegungseingeschränkten Patienten und durch Vergleich des linken Beins mit dem rechten Bein, können so Abweichungen im Gangverhalten erkannt werden.
-
Da die Fixiervorrichtungen typischerweise Bänder mit Klettverschluss sind, können diese in einfacher Weise sowohl auf die nackte Haut, als auch auf Bekleidungsstücke und/oder Orthesen angebracht werden. Dadurch kann das Gangbild beispielsweise mit und ohne Orthese verglichen werden.
-
Jeder Sensor übermittelt die jeweiligen Daten zunächst an den ersten Computer zur weiteren Auswertung. Die Übermittlung könnte prinzipiell natürlich kabelgestützt erfolgen. Aus praktischen Gründen ist eine kabellose Übertragung (durch Near Field Communication (NFC), beispielsweise Bluetoothe) zu bevorzugen. Als erster Computer kann ein Standard-PC, eine Tablet-PC, ein Smartphone o.ä. herangezogen werden.
-
Bevorzugt erfolgt die eigentliche Analyse in einem größeren Rechenzentrum, da die Datenanalyse rechenintensiv ist. Aus diesem Grunde ist der zweite Computer in der Regel räumlich vom ersten Computer getrennt. Analyse und Speicherung der Daten kann auch virtuell durch Cloud-Technologien realisiert sein. Nach Durchführung der eigentlichen Analyse auf dem zweiten Computer werden die ermittelten Bewegungsdaten wieder an den ersten Computer zur Darstellung und weiteren Verwendung übermittelt. Die Darstellung erfolgt in der Regel visuell auf dem Display des ersten Computers, gegebenenfalls mit Hilfe eines angeschlossenen Monitors.
-
Diese Zweiteilung erlaubt es auch den zweiten Computer so zu gestalten, dass eine Vielzahl von Messstationen angeschlossen ist. Das ermöglicht nicht nur eine bessere Auslastung des zweiten Computers, sondern auch die Sammlung von möglichst vielen Daten in einer Datenbank (DB) und den Einsatz von KI-Software, so dass insgesamt ein selbstlernendes System entsteht.
-
Die Messstation zur lokalen Datenerfassung ist neben den IMU-Sensoren die einzige lokal notwendige System-Hardware, was eine vergleichsweise geringe Initialinvestition für den lokalen Endanwender bedeutet. Die Messstation dient der Datenaufnahme sowie der Kalibrierung vor dem Messgang (3). Weiterhin dient die Messstation als Bindeglied zwischen der IMU-Sensorik und der dazugehörigen Analysesoftware auf dem zweiten Computer. Die Datenübertragung erfolgt gesichert und anonymisiert (gegebenenfalls unter Nutzung von lokalen Servern) an das Rechenzentrum zur Datenanalyse. Im Zuge der Datenerfassung können auch weitere physiologische Daten der Probanden erfasst werden (z.B. Körpergröße, Gewicht, Alter, Geschlecht, Körperumfängen an verschiedenen Stellen, etc.), die in die weitere Analyse einfließen können.
-
Die Software sorgt in der Folge für den nachfolgend dargelegten Analysevorgang.
-
Aus den ermittelten Daten werden mittels entsprechender Software auf dem zweiten Computer die tatsächlichen Bewegungsdaten (beispielsweise der zeitliche Verlauf der Kniewinkel) errechnet. Hierzu werden folgende Methoden angewendet:
- Das Programm beginnt mit der Kalibration der Sensoren. Anschliessend wird die Dauerschleife gestartet, in der die Daten gemessen, verarbeitet und dargestellt werden. Die einzelnen Schritte werden wie folgt ausgeführt.
-
0 - Kalibration
-
Das Gyroskop und das Accelerometer in der IMU müssen beim Start kalibriert werden, um möglichst genaue Messungen zu ermöglichen. Dieser Vorgang dauert in der Regel wenige Sekunden und kann mit bewährten Vorgehensweisen, wie z.B. der Kalbr Library [1], durchgeführt werden.
-
1 - Messung & Synchronisation
-
Die rohen Daten der einzelnen IMUs (ohne Magnetometer) werden durch den Kontroller abgefragt und müssen für alle benutzten IMUs anschliessend synchronisiert werden. Die Abtastrate sollte dabei so hoch wie möglich sein und kann nachträglich heruntergetaktet werden. Für die Synchronisation kann auf Methoden der Axiamo GmbH zurückgegriffen werden. Die synchronisierten Daten können daraufhin an einen leistungsstärkeren Computer, wie z.B. ein Tablet, für die Datenverarbeitung gesendet werden.
-
2 - Open-Loop Filterung
-
Die Rohdaten der IMUs werden durch neuartige neuronale Netzwerke vorgefiltert. Dies ermöglicht bereits einer ersten Minderung des Drifts, der auf MEMS basierenden IMUs zu erwarten ist. Durch die Vorfilterung ist zudem mit einer erhöhten Präzision bei den im nächsten Schritt angewendeten konventionellen Methoden zu rechnen.
-
Gyroskope konnten bereits erfolgreich in der Anwendung an Drohnen vorgefiltert werden [2] und diese Methode soll weiter für die Anwendung am Menschen vorangetrieben werden.
-
Ähnliche Methoden für Accelerometer sind uns nicht bekannt und sollen im Rahmen von MOWA 4.0 erforscht werden. Dabei soll nicht nur das Rauschen im Accelerometersignal gefiltert werden, sondern auch die Erdbeschleunigung berücksichtigt werden, sodass die Beschleunigung am Körper abzüglich der Erdbeschleunigung gemessen werden kann.
-
3 - Closed-Loop Filterung
-
Die vorgefilterten Daten werden mit bewährten Methoden durch Sensor Fusion zusammengeführt. Dabei werden die Winkelgeschwindigkeiten des Gyroskops mit linearen Beschleunigungen des Accelerometers durch Methoden wie den Kalman Filter [3] oder Komplementärfilter [4] zur Orientierung des IMU-Sensors transformiert. Mit diesen Methoden kann die XY-Ebene im Idealfall korrekt ermittelt werden. Für die Ermittlung der restlichen Ebenen fehlt aber die nötige Information (z.B. die Messung des Erdmagnetfelds mit Magnetometer), wodurch die Z-Achse des IMU-Sensors einem Drift verfällt. Mit Entscheidungsregeln (Heuristiken) kann unter sehr guten Umständen eine über alle Sensoren gemeinsame Achse bestimmt werden. Eine häufig benutzte Heuristik ist das Zero-Velocity-Update [5], welche die Schrittrichtung des Trägers als Referenz benutzt.
-
Mit den gefilterten Daten können anschließend die Gangparameter berechnet werden.
-
4 - Extrahieren der Gangparameter
-
Die Gangparameter werden durch bewährte Methoden extrahiert [6,7,8]. Dafür wird das Stillstehen eines Beins als Beginn bzw. Ende eines Schrittes genutzt. Durch die optionale Filterung der Accelerometerdaten durch KI kann eine präzisere Berechnung der räumlichen Parameter erreicht werden, welche ohne Filterung, aufgrund des Rauschens des Accelerometers, weniger genau berechnet werden können.
-
5 - Statistik & Darstellung
-
Nach der Berechnung der Gangparameter können die Daten z.B. auf einer App auf einem Tablet dargestellt und interpretiert werden, ähnlich dem System von Gait Up [9]. Die Statistiken können daraufhin gespeichert und für weitere Anwendungen weiterverwendet werden.
-
Jede Messung kann in einer Datenbank gespeichert werden, so dass im Lauf der Zeit eine Datensammlung entsteht, die weiter analysiert werden kann.
-
Der Wert dieser Vereinfachung ist nicht genug hervorzuheben, wenn man sich den heutigen Goldstandard der medizinischen Versorgung, das Ganglabor, vor Augen hält:
- Neben dem Orthopädietechniker bedarf es heute parallel immer noch des Mediziners bei der tatsächlichen Ganganalyse sowie einer sehr speziellen Hochgeschwindigkeits-Kameratechnik samt Rechenzentrum zur Bildanalyse. Zusätzlich muss zum Start das Ganglabor immer eine sehr aufwändige Gang-Lernphase absolvieren, bei dem der lokale Referenzgang vor Ort etabliert werden muss; die Kosten sind entsprechend hoch und der Einsatz ist lokal limitiert.
-
Zentral für die medizinische Verwendbarkeit ist deshalb die fachgerechte Übersetzung der medizinischen Klassifikationen und Diagnosen in brauchbare Algorithmen.
-
Zu berücksichtigen sind dabei alle medizinisch möglichen Diagnosen, Differenzialdiagnosen und Kontraindikationen; orthopädie-technisch sind alle Klassifikationen und Techniken zu berücksichtigen. Erfindungsgemäss ist die systematische Aufarbeitung des ganzen Faches in eigene Algorithmen das Schlüsselelement zur ubiquitären Verwendbarkeit, was durch den Rückgriff auf jeweilige Experten der Subdisziplinen qualitativ abgesichert ist.
-
Die so erhobenen Daten, die einerseits aus dem medizinischen Fachwissen, andererseits aus den gemessenen Gangdaten bestehen, ergeben eine hinreichend gute Datenbasis zur weiterführenden Datenanalyse mit speziellen Algorithmen. In der Folge werden diese Daten in eine 3D-Repräsentation des vollständigen Gangbildes umgewandelt.
-
Diese 3D-Repräsentation ermöglicht, neben der einfachen und klaren Kommunikation mit dem Patienten über seine Probleme, die Bestimmung des Differenzialgangbildes zu einem lokalen Referenzgangbild. Aufgrund des einfachen Aufbaus des Systems kann der Therapieverlauf gemessen und dokumentiert werden. Weiterhin kann der Therapieverlauf mit Referenzdaten anderer Probanden mit gleicher Symptomatik verglichen werden.
-
Stark vereinfacht ist das Ziel der 3D-Repräsentation die mathematische Bestimmung der Abweichungen zu einem Referenzdatensatz; diese Abweichungen sind in der Folge mit den richtigen Hilfsmitteln auszugleichen.
-
Die Auswertung des medizinischen Differenzialgangbildes muss somit zur Definition der medizinisch richtigen Versorgung führen. Auf Basis der errechneten physikalischen Parametern können nun orthopädie-technische Defizitkompensationsstrategien beschrieben werden.
-
Im Zusammenspiel mit den Darstellungen des Gangbildes sind weitere medizinische Aspekte wie Differenzialdiagnosen und Kontraindikationen zu hinterfragen, und führen zu einer system-gestützten Empfehlung zur orthopädie-technischen Defizitkompensation.
-
Im Idealfall steht nun eine standardisierte, und somit kostengünstige, Versorgung bereit.
-
Das Wissen um die technischen Möglichkeiten stellt nach der Definition der orthopädie-technischen Defizitkompensation den erfindungsgemässen Mehrwert des Systems dar, da nur so das abstrahierte (und gegebenenfalls in eigenen KI-Algorithmen erarbeitete) Wissen dem lokalen Versorger des Patienten zugänglich werden kann. Eine Datenbank (DB) mit orthopädie-technisch ein-eindeutig dokumentierten Komponenten rundet somit das System ab, was im Vergleich zum heutigen Goldstandard Ganglabor wieder eine entscheidende Verbesserung in Bezug auf Kosten und Geschwindigkeit darstellt. Das Ganglabor kann nur die medizinische Empfehlung ausgeben, erarbeiten muss die Lösung dann immer noch individuell der Orthopädietechniker. Eine DB mit direktem Zugriff auf die physikalischen Parameter der Versorgungkomponenten ist bis heute in dieser Form nicht verfügbar.
-
Somit ist die erfindungsgemäße Reduktion der Fehlerquelle „Mensch“ auf allen Ebenen durch konsequenten Einsatz des erfindungsgemäßen Systems gelungen. Alle wissensbasierten Monopole in der Ablaufkette wurden durch die Aufbereitung in DB ubiquitär verfügbar gemacht und objektiviert. Auch sind dadurch die disziplinbedingten Sichtweisen nivelliert worden zu Gunsten der höherwertigen, schnelleren und nicht zuletzt auch preisgünstigeren Patientenversorgung.
-
Ein weiterer Vorteil des Systems besteht in der deutlich vereinfachten und standardisierten Dokumentation und Kommunikation auf Basis der 3D-Repräsentation.
-
So ist beispielsweise die Simulation der orthopädie-technischen Defizitkompensation mit Hilfe der 3D-Repräsentation (gegebenenfalls nach KI-Empfehlung) extrem hilfreich zur Verbesserung der Compliance und Akzeptanz beim Patienten, da das gewünschte Gangbild sofort visuell bereitsteht.
-
Weiterhin erlaubt die Extrapolation der Daten der 3D-Repräsentation in einen zukünftigen Zeitraum ein möglicher Einsatz in der Kommunikation mit dem Patienten, was dem zeitgemässen Einsatz von CAx-Technologien in der Medizin markiert.
-
Eine erfindungsgemässe Eigenschaft des Systems ist die Standardisierung der Abläufe, was in die Möglichkeit zur Kontrollverlaufsanalyse über lange Zeiträume ermöglicht. Das Herzstück ist dabei der standardisierte Messaufbau zur konstanten Datenerfassung, der die Datenintegrität sichert.
-
Ein nicht zu unterschätzender Vorteil für den Einsatz in der Praxis ist die im System integrierte Dokumentationsmöglichkeiten, die einerseits die aktuelle Behandlung klar und abrechnungsfähig dokumentieren kann, andererseits aber auch den zeitlichen Verlauf der Therapie mitberücksichtigt.
-
Die Genauigkeit der Messungen und die Dokumentationsmöglichkeit erlauben auch einen Einsatz des Systems außerhalb der Orthesen-Anpassung. Beispielsweise kann der Verlauf neurologischer, insbesondere neuro-degenerativer Erkrankungen, verfolgt und dokumentiert werden. Auf diese Weise kann beispielsweise der Behandlungserfolg einer medikamentösen Therapie objektiv erfasst werden. Im Rahmen einer solchen Behandlung können erfindungsgemäße Systeme zum Einsatz kommen, bei denen nur 1 oder 2 IMUs (z.B. am Handgelenk) eingesetzt werden. Die Messstation mit einem ersten Computer mit Empfangsvorrichtung für die Sensordaten der IMUs kann durch ein Smartphone mit einer entsprechend angepassten App realisiert sein, wobei das Smartphone die gemessenen Daten an einen zweiten Computer zur Analyse übermitteln kann.
-
Weiterhin können die gegebenenfalls eingesetzten KI-Algorithmen als selbst-lernend bezeichnet werden, was auf lange Sicht das System immer „intelligenter“ werden lässt. Dieses lässt somit auch die Möglichkeit zur Prinzipübertragung auf die Prothesenversorgungen zu, die durch eine eigene Prothesenkomponenten-DB zu realisieren wäre.
-
In einer Weiterentwicklung des System können die IMU-Sensoren weitere Daten erheben, z.B. Vitalfunktionen des Probanden (z.B. Körpertemperatur, Pulsrate, Blutdruck, Sauerstoffsättigung) des Probanden messen oder den genauen Standort (z.B. per GPS-Daten) zu bestimmen. Dies erlaubt beispielsweise ein Monitoring des Therapieverlaufs, z.B. über die Messung der gelaufenen Strecken. In diesem Fall kann der erste Computer beispielsweise durch ein Smartphone oder Tablet des Probanden realisiert sein, die Weiterleitung der Daten kann über das Internet in Echtzeit erfolgen.
-
Referenzen
-
- [1] J. Rehder, J. Nikolic, T. Schneider, T. Hinzmann, and R. Siegwart, „Extending Kalibr: Calibrating the Extrinsics of Multiple IMUs and of Individual Axes,“ in ICRA. IEEE, 2016, pp. 4304-4311.Accelerometer
- [2] Brossard, Martin & Bonnabel, Silvere & Barrau, Axel. Denoising IMU Gyroscopes with Deep Learning for Open-Loop Attitude Estimation. arXiv:2002.10718 [cs.RO]; 2020
- [3] Kalman, R. E. (March 1, 1960). A New Approach to Linear Filtering and Prediction Problems. ASME. J. Basic Eng. March 1960; 82(1): 35-45.
- [4] Andrien, A.R.P. & Antunes, Duarte & Molengraft, M.J.G. & Heemels, W.P.M.H. (Maurice). (2018). Similarity-Based Adaptive Complementary Filter for IMU Fusion. 3044-3049.
- [5] Abdulrahim, Khairi & Moore, Terry & Hide, Christopher & Hill, Coralyn. (2014). Understanding the performance of zero velocity updates in MEMS-based pedestrian navigation. International Journal of Advancements in Technology. 5.
- [6] Bregou Bourgeois, A., Mariani, B., Aminian, K., Zambelli, P. Y., & Newman, C. J. Spatiotemporal gait analysis in children with cerebral palsy using, foot-worn inertial sensors. Gait and Posture, 39(1); 2014
- [7] Kim, J. K., Bae, M. N., Lee, K. B., & Hong, S. G. Gait event detection algorithm based on smart insoles. ETRI Journal, 42(1), 46-53; 2019
- [8] Xing, H., Li, J., Hou, B., Zhang, Y., & Guo, M. Pedestrian Stride Length Estimation from IMU Measurements and ANN Based Algorithm. Journal of Sensors; 2017
- [9] Gait Up. PhysiGait. Gait analysis results generated by Gait Analyser 5.2. https://research.gaitup.com; Accessed 02.09.2020
-
Die Erfindung wird durch die folgenden Abbildungen beispielhaft weiter erläutert.
- 1 zeigt die Komplexität des menschlichen Gangbildes mit den vielen Freiheitsgraden in der Bewegung auf.
Die erste Zeile zeigt verschiedene Phasen der Bewegung beim Gehen in der Seitenansicht.
Die zweite Zeile zeigt die Gewichtsverteilung auf den Fußsohlen während der in der ersten Zeile gezeigten Bewegungsphasen.
Die dritte Zeile zeigt die Stellung des Beckens während der in der ersten Zeile gezeigten Bewegungsphasen (von oben betrachtet).
Die vierte Zeile zeigt die Stellung des Beckens während der in der ersten Zeile gezeigten Bewegungsphasen (von vorne betrachtet).
- 2
zeigt Ergebnis von Messungen mit dem erfindungsgemäßen System:
In der mittleren Zeile sind Ausschnitte aus dem Gangzyklus. Darüber dargestellt Messungen des Kniewinkels (rechtes Bein). Unten dargestellt sind die Messungen des Fußgelenkwinkels.
den modularen Aufbau des erfindungsgemäßen Systems in der Anwendung.
- 3 zeigt die Messstation mit dem Bildschirm des ersten Computers und verschiedenen Sensoren an einem Ständer (links dargestellt). Die Sensoren werden manuell an dem Bein des Probanden (rechts in der 3) befestigt.
- 4
zeigt die Positionierung von Sensoren an einem Probanden. In diesem Beispiel werden 2 Sensoren an den Füßen,
2 Sensoren unterhalb der Knie
2 Sensoren in der Oberschenkelmitte sowie
3 Sensoren in Beckenhöhe (links, rechts (durch die Hand verdeckt) und Mitte) verwendet und für die Ganganalyse ausgewertet.
- 5 zeigt Messergebnise der Ganganalyse eines Patienten mit angepasster Orthese, nämlich
- a) Messung des Kniewinkels während des Gangzyklus („gait cycle“), links unten in 5
- b) Messung der Varus- bzw. Valgus-Stellung des Kniegelenkes während des Gangzyklus („gait cycle“), links oben in 5
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
