Automatische Erkennung von Aktivitäten und Bewegungsmustern mithilfe von Sensoren (AktiSmart-KI)

Ressortforschung im Handlungsfeld „Digitalisierung“, Förderschwerpunkt „Digitale Innovationen“

Aus Bewegungsdaten, die mittels moderner Sensorik erfasst wurden, sollen durch tiefe neuronale Netze Aktivitätsmuster und Bewegungsabläufe abgeleitet werden, die eine bessere Patientenversorgung in der geriatrischen Rehabilitation ermöglichen.

Fakten zum Projekt

Projektleitung

Universität Ulm
Prof. Dr. Timo Ropinski
Helmholtzstraße 15
89081 Ulm

Projektlaufzeit

01.04.2020 bis 30.09.2022

Projektbeteiligte

• Robert Bosch Gesellschaft für
medizinische
Forschung mbH
• IB Hochschule Berlin

Das Projekt ist Teil des Forschungsschwerpunkts „Digitale Innovationen“ für die Verbesserung der patientenzentrierten Versorgung im Gesundheitswesen.

Ansprechperson

Dr. Mario Paterno

DLR Projektträger

projekttraeger-bmg@dlr(dot)de 

Motivation

Körperliche Aktivität und Bewegung sind wichtige Faktoren für den Gesundheitszustand. Insbesondere bei älteren Menschen ist Bewegung wichtig, um beispielsweise Gesundheitsschäden vorzubeugen. Aufgrund der im Durchschnitt immer älter werdenden Bevölkerung in Deutschland rückt das Forschungsprojekt AktiSmart-KI das Bewegungsproblem in der geriatrischen Rehabilitation in den Fokus. Dabei stellen Aspekte wie Art und Zusammensetzung der Bewegung wichtige Faktoren für eine erfolgreiche Diagnose und Therapie dar. Mittels Sensoren können diese Parameter erfasst werden. Heutige Methoden zeichnen jedoch keine komplexen Bewegungsmuster auf. Daher sollen in diesem Projekt neue Methoden entwickelt werden, die mit detaillierten Aufnahmen und Einordnungen von Bewegungsabläufen zu einer besseren Versorgung von Patientinnen und Patienten beitragen.

Ziele und Vorgehen

Im Rahmen des Projekts AktiSmart-KI sollen mittels smarter Sensoren, die die Patientinnen und Patienten am Körper tragen, Aktivitätsmuster detailliert erfasst werden. So soll beispielsweise ermöglicht werden, automatisiert Stürze zu erkennen oder die Häufigkeit bestimmter Aktivitäten zu zählen. Hieraus können später individuelle Behandlungsbedarfe abgeleitet und auch im Falle eines Sturzes frühzeitig und automatisiert Hilfe angefordert oder Vertrauenspersonen benachrichtigt werden. Um dies zu erreichen, sollen Methoden des Maschinellen Lernens angewendet werden. Herausforderungen hierbei sind die unstrukturierten Daten – die Positionen der am Körper getragenen Sensoren folgen keinem regulären Muster – sowie die leicht unterschiedlichen Positionen, die insbesondere bei Patientinnen und Patienten mit altersbedingtem Muskelzittern verstärkt werden. Konkret sollen aus dem Bereich der Künstlichen Intelligenz (KI) neuronale Netze verwendet werden. Diese neuronalen Netze gilt es aber zuerst zu trainieren, um spezifische Aktivitätsmuster verlässlich zu erkennen. Diese Trainingsgrundlage soll reale, bereits aufgenommene Daten und per Simulation auf animierten Gelenkmodellen berechnete Daten umfassen. Ein weiterer wichtiger Aspekt, der im Rahmen des Projekts betrachtet werden soll, ist die konkrete Nutzbarkeit des Systems. Faktoren wie Datensicherheit, Ethik und Recht sowie gesundheitsökonomische und betriebswirtschaftliche Aspekte spielen hierbei eine zentrale Rolle.

Perspektiven für die Praxis

Mithilfe des im Projekt entwickelten Systems zum Erkennen detaillierter Bewegungsmuster soll es möglich werden, den individuellen Behandlungsbedarf abzuleiten sowie die Pflege und Therapie bestmöglich anzupassen. Automatisiertes Erfassen kann die Dokumentation des Behandlungsfortschritts erleichtern und fördert so die optimale Versorgung von Patientinnen und Patienten. Nach Abschluss des Projekts soll es auch für Externe möglich sein, das entwickelte System zu nutzen. Die festgestellten Bewegungsmuster sollen ebenfalls in einer Datenbank gespeichert und bereitgestellt werden. Diese Datenbank kann dann fortlaufend erweitert werden und auch als Grundlage für weitere Forschungsprojekte dienen. Die Erkenntnisse können direkt in die medizinische Forschung einfließen und ermöglichen es außerdem, die individuelle patientenbezogene Diagnose und Versorgung zu verbessern.