Modellierung von therapeutischen Übungen für sensorbasierte Anwendungssysteme zur Unterstützung von Trainierenden

Übungen sind körperliche Aktivitäten die zur Verbesserung oder Erhaltung der körperlichen Kondition dienen. Sie werden unter anderem bei muskuloskelettalen Erkrankungen eingesetzt, die laut Weltgesundheitsorganisation über 20 % der Weltbevölkerung betreffen. Der Einsatz von Übungen führt vor allem dann zuverlässig zum Erfolg, wenn die Übungen regelmäßig und somit auch eigenständig durchgeführt werden. Im derzeitigen Behandlungskontext erfolgt das häusliche Training in der Regel ohne Kontrolle der Bewegungsausführung durch Expert*innen. Sensorbasierte Anwendungssysteme können Trainierende unterstützten. Für die Entwicklung ist eine semantisch interoperable Modellierung des therapeutischen Wissens über qualitativ hochwertige Übungsausführungen notwendig. Die Analyse bestehender Systeme zeigt, dass sowohl die adäquate Modellierung von menschlicher Bewegung unzureichend für den Einsatz im Alltag ist, als auch ein einheitliches Framework zur Quantifizierung der Qualität der gezeigten Übungsausführung fehlt.

Zielsetzung

Ziel dieser Arbeit ist die Entwicklung und Evaluation von Methoden zur Modellierung von Eigenübungen für sensorbasierte Anwendungssysteme. Diese Anwendungssysteme können Trainierende beim selbstständigen Training zu Hause unterstützen, indem sie in Echtzeit konstruktives Feedback zur Qualität der Übungsausführung geben. Als Datengrundlage dienen sowohl das Wissen von Therapeut*innen über die qualitative Bewertung von Übungsausführungen als auch die von Sensorsystemen erfassten Informationen zur menschlichen Bewegung bei der Übungsausführung.

Methode

Die Modellierung von Übungen basiert in dieser Arbeit immer auf drei Bausteinen: i) der sensorbasierten Bewegungserfassung, ii) der strukturierten Erfassung von Domänenwissen und iii) der Kombination der beiden zur Übungsmodellierung. Darauf aufbauend wurde die Methodenkollektion Emma entwickelt. Das Akronym Emma steht für Exercise modelling by motion tracking and analysis by the therapists.

Mit der Methodenkollektion Emma werden insbesondere drei Ansätze zur Kombination für die Modellierung von Übungen vorgestellt. Der erste Ansatz basiert auf dem zeitunabhängigen Vergleich von idealtypischer Referenzbewegung und tatsächlich ausgeführter Bewegung sowie ergänzender Qualitätskriterien. Im zweiten Ansatz zur Übungsmodellierung werden die Übungsausführungen der Proband*innen einer Dimensionsreduktion unterzogen, in Bewegungstrajektorien überführt und in Bezug zu den Korrekturhinweisen der Bewegungsexpert*innen gesetzt. Der dritte Ansatz zielt auf eine datengetriebene Charakterisierung der Übungsbewegung ab und basiert auf einer zweifachen Dimensionsreduktion der periodischen Sensordaten.

Ergebnisse

Als Grundlage für die sensorbasierte Bewegungserfassung zu Hause eignen sich Einzelkamerasysteme oder inertiale Sensoren. Bei der Erfassung des Domänenwissen war der Konsens der Bewegungsexpert*innen über die Qualität von Übungsausführungen und ihren Korrekturbedarf umso höher, desto spezifischer die zu bewertenden Merkmale vorgegeben waren. Frei formulierte Korrekturhinweise von Expert*innen ließen sich in konsensbasierte Korrekturhinweise überführen.

Der entwickelte Kombinationsansatz der Methodenkollektion Emma mit dem zeitunabhängigen Vergleich von Referenzbewegung und tatsächlich ausgeführter Bewegung ist vor allem für den individuellen Vergleich geeignet. Die Evaluation im Projekt AGT"=Reha konnte mit über 300.000 Übungsausführungen von Trainierenden einen Zusammenhang zwischen der Qualitätsbewertung des Übungsmodells und den klinischen Bewertungen in Abhängigkeit der Trainingshäufigkeit zeigen. Die Darstellung der Bewegungstrajektorien aus Emmas zweitem Ansatz zur Übungsmodellierung zeigt charakteristische Merkmale für jede Übung und die verschiedenen Proband*innen. Ein eindeutiger Zusammenhang mit den Korrekturhinweisen der Bewegungsexpert*innen konnte nicht festgestellt werden. Die Charakterisierung der periodischen Bewegungsdaten im dritten Ansatz zeigte eine starke Abhängigkeit von der Variation der Ausführungsgeschwindigkeit und der individuellen Verweildauer in bestimmten Posen der Übungen.

Diskussion

Diese Arbeit behandelt alle Bestandteile, die für eine Übungsmodellierung zur Unterstützung Trainierender mit sensorbasierten Anwendungssystemen relevant sind und fasst sie in der Methodenkollektion Emma zusammen.

Im Rahmen der Arbeit wurde deutlich, dass eine Übung mit Regeln oder Referenzabgleich modellierbar ist und den grundsätzlichen Bewegungsablauf abbildet. Allerdings spannt eine Übungsdefinition einen Bewegungsrahmen auf, der von der individuellen Therapie und Körperstruktur abhängt. Für spezifische Übungsmodellierungen sind daher die Varianten der zielführenden Bewegungen innerhalb des Korridors von den kontraproduktiven Bewegungsanteilen zu unterscheiden. Die Darstellung der dimensionsreduzierten Bewegungstrajektorien gibt Einblicke in Gemeinsamkeiten und Unterschiede von Übungsausführungen und visualisiert diese Korridore.

Erstmalig wurde der Bezug zwischen der Qualitätseinschätzung der Bewegungsexpert*innen und der Lage, Form und Skalierung der sensorbasierten Bewegungstrajektorien gezeigt. Bei den untersuchten Datensätzen mit qualitativ hochwertigen Ausführungen zeigten sich kaum Zusammenhänge zwischen den Trajektorien von Übungsausführungen und den dazugehörigen Korrekturhinweisen der Expert*innen. Dieser Fakt stützt die Vermutung, dass insbesondere kleine, teilweise sensorisch kaum erfassbare Bewegungsanteile für die Qualität einer Übungsausführung entscheidend sein können, sofern der grundsätzliche Bewegungsablauf korrekt ist.

Bei der zukünftigen Entwicklung von Übungsmodellierungen zur differenzierten Rückmeldung bieten Bewegungstrajektorien ein Medium zur Visualisierung und Kommunikation der sensorabhängigen und personenspezifischen Festlegung von Bewegungskorridoren, die anzustreben sind. Darüber hinaus können die in dieser Arbeit entwickelten Methoden Anstoß für eine spezifischere, besser modellierbare Übungsdefinition sein. Die Identifikation von relevanten Bewegungsanteilen mit den vorgestellten Methoden befördert die interdisziplinäre Zusammenarbeit von Expert*innen aus Medizin und Informatik. Daraus können bessere Anwendungssysteme hervorgehen, welche Trainierende zielführender unterstützen.