Carina Gempfer (Hannover), Gilmar F. Santos (Hannover), Alexander Hobein (Hannover), Timo Kuhlgatz (Hannover), Prof. Dr. Christof Hurschler (Hannover), Dr. Eike Jakubowitz (Hannover)
Abstract-Text (inkl. Referenzen und Bildunterschriften)
Fragestellung: Zur Vorhersage von Bodenreaktionskräften (GRF), Gelenkdrehmomenten (MOM) und Gelenkleistung (PW) mittels Inertial Measurement Units (IMUs) bieten künstliche neuronale Netze (KNN), wie das Multi-Layer Perceptron (MLP) und das Long Short-Term Memory (LSTM) vielversprechende Ergebnisse für laborungebundene Ganganalysen [1-2].
Methoden: 32 gesunde Probanden (P) (f = 12; Alter: 30,4 ± 8,7 Jahre) wurden mit dem Plug-In-Gait und 10 IMUs (Delsys) ganganalytisch (Vicon, AMTI) gemessen (Abb. 1). Zum Training der KNN wurden die Beschleunigungsdaten (ACC) der IMUs als Merkmale verwendet (18 Features) und jeweils die GRF, MOM und PW als Labels. Es wurden 1280 Schritte (32 P x 2 Beine x 20 Versuche) als zeitnormalisierte Standphase genutzt. 26 P wurden für die Hyperparameteroptimierung (HPO) und das Training des KNN genutzt und 6 als ungesehene Testdaten (split4). Die Leistungen des MLP und des LSTM wurden mit dem normalisierten mittleren quadratischen Fehler (nRMSE) und der Pearson Korrelation (r) für split4 quantifiziert.
Ergebnisse: Mit dem nRMSE zwischen 3,1% und 10,6% und r zwischen 0,79 und 0,99 waren sowohl das MLP als auch das LSTM in der Lage, die GRF, MOM und PW vorherzusagen. Die ant.-post. (AP) Komponente der GRF und das Knieflexionsmoment (KFM) zeigen hohe Korrelationen (r ≥ 0,93) (Abb. 2). Beim nRMSE zeigten sich für beide KNN die niedrigsten Werte für die AP GRF (MLP: 3,1%; LSTM: 4,1%) im Gegensatz zum Knieabduktionsmoment (MLP: 10,1%; LSTM: 10,6%).
Schlussfolgerungen: Die Gangkinetik kann aus IMU-Daten mit dem MLP und dem LSTM recht zuverlässig vorhergesagt werden. Mit dem MLP ist eine minimal bessere Genauigkeit als mit dem LSTM erreichbar. Für robustere und zuverlässigere Vorhersagen bedarf es weitere Messdaten. Zukünftig soll der Einfluss unterschenkelamputierter Prothesenträger auf die Leistung der KNN untersucht werden.
Literatur: [1] Mundt et al.(2021). Sensors:21(13):4535; [2] Moghadam et al.(2023). Scientific reports:13:5046