Abstract des Autors

Problemstellung: Im rehabilitativen Umfeld gewinnt die Anwendung von Sensortechnologien, insbesondere der Einsatz marker- und kontaktloser Systeme, an Bedeutung. Die zuverlässige Bewegungserkennung, aber auch die Erkennung von Fehlerbildern während der Bewegung sind hierbei Grundvoraussetzungen. Daher war es Ziel der Studie, einen entwickelten Algorithmus zur Fehlerbilderkennung, welcher für das Skelettmodell der Kinect 1.0 annotiert wurde, mit der Bewegungserkennung eines erfahrenen Trainingstherapeuten zu vergleichen. Methoden: 18 Probanden (männlich: 10, weiblich: 8; Alter 68,3±5,9 Jahre) führten die Übung Hüftabduktion in 3 Sätzen zu 10 Wiederholungen am Seilzug durch. Die Bewegungserkennung eines erfahrenen Therapeuten wurde durch Codes direkt mit der des Systems abgeglichen. Damit wurden die diagnostischen Parameter Sensitivität, Spezifität, falsch-positiver Wert sowie positiver und negativer Vorhersagewert ermittelt. Ergebnisse: Es ergab sich über alle Fehlerbilder eine Übereinstimmung von über 70%. Die Sensitivität lag zwischen 12,9% (hip rotated outside) und 66,6% (bent knee), die Spezifität um 80%. Der falsch-positive Wert betrug zwischen 13% (wrong plane) und 22,7% (hip rotated outside). Der positive Vorhersagewert ist für hip rotated outside 74,3%. Der negative Vorhersagewert liegt zwischen 77,1% (upper body) und 92,7% (bent knee). Diskussion: Es werden nicht alle Fehlerbilder vom System erkannt, jedoch die richtige Bewegungsausführung als korrekt identifiziert. Letzteres ist hinsichtlich der Nutzerakzeptanz von Bedeutung. Bei den Fehlerbildern upper body und hip rotated outside ist davon auszugehen, dass die erkannten Fehler tatsächlich aufgetreten sind. Die Daten zeigen mit über 70% Übereinstimmung eine genügend zuverlässige Bewegungserkennung, sodass das Assistenzsystem in der Therapie als Unterstützung genutzt werden kann. Weitere Studien sollen den Einsatz des Systems in der klinischen Praxis aufgreifen, bspw. die Nutzerakzeptanz der Probanden oder die Umsetzbarkeit des Feedbacks.

Abstract des Autors

Background: In the rehabilitative setting, the use of senor technologies is gaining in importance, especially the use of marker- and contactless systems. Reliably detecting motion and error patterns isabsolute prerequisite for use in exercise therapy. In this study, an annotated algorithm for the skeletal model of the sensor Kinect 1.0 was compared with movement detection by a therapist. Methods: 18 test subjects (male: 10, female: 8; age 68.3±5.9 years) performed 3 sets of hip abduction exercises with 10 repetitions using the rope pull. The assessment of the movement by an experienced therapist was coded and then directly compared to the Kinect 1.0 detection results. The diagnostic parameters sensitivity, specificity, false-positive rate, positive predictive value, and negative predictive value were calculated. Results: There was 70% agreement over all error patterns. Sensitivity was between 12.9% (hip rotated outside) and 66.6% (bent knee), and specificity was around 80%. The false-positive value rangedbetween 13% (wrong plane) and 22.7% (hip rotated outside). The positive predictive value for hip rotated outside was 74.3%. The negative predictive value ranged between 77.1% (upper body) and 92.7% (bent knee). Discussion: The results show that not all error patterns were detected by the Kinect 1.0 system. However, correct movements mostly were rated appropriately. The latter is significant in terms of user acceptance. In the case of the error patterns upper body and hip rotated outside it can be assumed that the detected errors actually occurred. With an agreement of 70 %, the data show sufficiently reliable movement detection for the assistance system to be used to support therapy. Further studies should focus on the use of the system, for example user acceptance or the feasibility of feedback.