Kopfbereich

Gesundheit

Deep Learning zur Messung von Ausweichbewegungen des Arms nach einem Schlaganfall

In diesem Projekt wird Deep Learning eingesetzt, um mit handelsüblichen Webcams die Kinematik der oberen Gliedmassen und des Rumpfes nach einem Schlaganfall zu beurteilen. Damit soll die Tele-Rehabilitation und der Genesungsprozess von Klient:innen verbessert werden.

Ausgangslage

Nach einem Schlaganfall treten oft Lähmungserscheinungen auf einer Körperseite auf. Um die Lähmung (Hemiparese) im Bereich der Arme zu kompensieren, reagieren Personen nach einem Schlaganfall häufig mit unbewussten Ausweichbewegungen. Damit gewinnen sie zwar kurzfristig an Funktionalität und so auch Selbständigkeit im Alltag. Langfristig können die Ausweichbewegungen jedoch das Wiedererlangen von dauerhafter Armfunktion beeinträchtigen und zu orthopädischen Problemen führen. In der Therapie ist daher wichtig, dass Ausweichbewegungen von Arm, Schulter und Oberkörper korrekt erkannt werden.

Zielsetzung

Ziel dieses Projekts ist, mithilfe von handelsüblichen Webcams und Sensoren Kompensationsbewegungen des Rumpfes und der oberen Gliedmassen von Personen nach einem Schlaganfall zu messen. Dazu will das Forschungsteam einen Klassifikator entwickeln und validieren, der unter Einbezug von Deep Learning Armbewegungen mit Kompensation von solchen ohne Kompensation unterscheiden kann. Der zugrundeliegende Algorithmus soll mit einer Webcam allein oder in Kombination mit Sensoren respektive Trägheits- und Beschleunigungsmessern (inertial measurement unit, IMU) verwendet werden können. 

Methode und Vorgehen

30 Personen, die einen Schlaganfall hatten, werden aus unterschiedlichen Perspektiven dabei gefilmt, wie sie aus einem Becher trinken. Die Daten erhebt das Forschungsteam mit unterschiedlichen Methoden zum Beispiel mit Webcams und Trägheits- und Beschleunigungsmessern (inertial measurement unit, IMU). Danach werden die Daten ausgewertet und hinsichtlich der Kompensationsbewegungen bewertet. Basierend auf diesen Erkenntnissen entwickeln die Forschenden einen Algorithmus, der Kompensationsbewegungen der oberen Extremität automisch klassifizieren soll und zukünftig als Tele-Assessment eingesetzt werden kann.

Projektstand

Das Projekt ist abgeschlossen. Mithilfe der «gelabelten» Videodaten wurde ein auf Deep Learning basierendes KI-Modell trainiert. Dieses Modell nutzt die visuell extrahierten Koordinaten von Körperteilen, um vorherzusagen, ob eine Person während der Ausführung der Trinkaufgabe kompensatorische Bewegungen durchführt oder nicht. Das Ergebnis ist eine Kette von rechnergestützten Prozessschritten, die auf Basis von Aufnahmen handelsüblicher Kameras Bewegungsmuster erkennt. 

Um daraus ein Messinstrument zu entwickeln, das im Therapiealltag nutzbar ist, ist weitere Forschung und Entwicklung notwendig. Eine nächste Studie müsste etwa darauf fokussieren, die kompensatorischen Bewegungen zu quantifizieren. 

Video zum Projekt - von DIZH Digitalisierungsinitiative der Zürcher Hochschulen

ZHAW Publikationendatenbank

Projektorganisation

Das könnte Sie auch interessieren

Publikationen Ergotherapie

Alle Publikationen des Instituts für Ergotherapie in chronologischer Reihenfolge.

Publikationen Ergotherapie

Institut für Ergotherapie

Aus-, Weiterbildung, Dienstleistung und Forschung in der Ergotherapie.

Institut für Ergotherapie

Forschungsbericht

Die Forschungsbroschüre zum Schwerpunkt «Gesundheit im Alter»

Forschungsbericht

Publikationen Ergotherapie

Institut für Ergotherapie

Forschungsbericht

Alle Publikationen des Instituts für Ergotherapie in chronologischer Reihenfolge.

Aus-, Weiterbildung, Dienstleistung und Forschung in der Ergotherapie.

Die Forschungsbroschüre zum Schwerpunkt «Gesundheit im Alter»

Publikationen Ergotherapie

Institut für Ergotherapie

Forschungsbericht