Kontakt

3D-Motion Tracking für Gesundheits- und Fitnessanwendungen

Die Menschheitsgeschichte ist geprägt von Entwicklung und technologischer Innovation, die schnell in das Leben und den Alltag integriert wurden. Seit fast 200 Jahren können wir Bilder aufnehmen, doch erst jetzt werden sie das erste Mal smart. Bei Lindera nutzen wir die Schlüsseltechnologie Künstliche Intelligenz und haben einen Algorithmus entwickelt, der mit Hilfe eines einfachen Smartphone-Videos ein präzises und sich anatomisch korrekt bewegendes 3D-Bild einer Person anfertigt. Auf diese Weise digitalisieren wir die Gangbewegung und machen objektive und vergleichbare Bewegungsanalysen möglich. Die Potenziale von Künstlicher Intelligenz sind riesig – doch viele Menschen haben Berührungsängste und Angst vor möglichen Risiken. Als junges Technologieunternehmen stehen wir bei Lindera Veränderungen offen gegenüber – seien es die neuesten Forschungen und Entwicklungen zu KI, klassischen Algorithmen und Datenschutz oder zu Kognitionswissenschaften, der Lerntheorie und Spieltheorie. Um unser Ziel zu erreichen, die individuelle körperliche Mobilität von Menschen zu fördern, zu verbessern und zu erhalten, stellen wir unseren technologischen Werkzeugkasten breit auf und erweitern diesen stetig. Wir sind offen gegenüber jedem neuen Werkzeug, das uns ein Stück weiter in Richtung unseres Ziels bring und dabei den vorherigen Prinzipien genügt.

Daher verstehen wir auch KI als ein solches Werkzeug und haben fünf Prinzipien für den verantwortungsbewussten Umgang mit der Technologie entwickelt.

KI Blog ›

Der Gesamtpipeline der Lindera-Technologie:

Der Algorithmus ist modular so aufgebaut, dass die spezifischen Algorithmen in den jeweiligen Modulen ausgetauscht werden können.

Modul 1 – Videoqualität

Dieses Modul testet das Video hin auf die benötigte Qualität, um die Funktionsweise des folgenden Moduls zur Skelettschätzung technisch zu gewährleisten.

Modul 2 – Skelettschätzer

Der Skelettschätzer liest das Video Bild für Bild ein und schätzt das Skelett mit den Gelenk-Koordinaten des Menschen auf dem Bild im dreidimensionalen Raum in Millimeter. Dieses Modul verwendet auf Bildverarbeitung spezialisierte neuronale Netze. Diese extrahieren zunächst das Skelett in 2D und transformieren es dann ins 3D.

Modul 3 – Mobilitätsparameter

Dieses Modul berechnet auf Basis der vorher geschätzten Gelenkdaten verschiedene Mobilitäts- Parameter. Diese bestehen einerseits aus Parameter des Ganges wie Schrittlängen, Schrittzeiten, Schrittgeschwindigkeit, Schritthöhen und Kadenz. Andererseits berechnet das Modul sämtliche Winkelparameter an den Körpergelenken zeitlich aufgelöst über das gesamte Video.

Modul 4 – Analyse

Das Analyse-Modul generiert einen individuellen Report auf Basis der berechneten Mobilitäts- Parameter.

Präzise und validiert: Der Lindera Algorithmus

Innerhalb des modularen Algorithmus spielt der Skelettschätzer eine zentrale Rolle. Die Validität der Mobilitätsparameter und die Validität der Analyse hängen von der raum-zeitlichen Präzision des Skelettschätzers im hohen Maße ab.

Betrachten wir Gangparameter wie die Schrittlängen links/rechts, Schrittzeiten links/ rechts, die durchschnittliche Ganggeschwindigkeit und die Kadenz als Beispiele für Mobilitäts-Parameter, dann hat sich das GAITRite System, ein Teppich mit Sensoren, im klinischen Umfeld als Gold Standard der Messgenauigkeit etabliert. In einer Kooperationsstudie mit der Berliner-Charité – Universitätsmedizin haben wir gezeigt, dass der Lindera Algorithmus im Vergleich zum GAITRite die Ausgabe von Gangparametern exzellenter Präzision erlaubt (A. Azhand et al., 2020, in review).

Zur Erreichung dieser Präzision ist im Rahmen des Lindera Algorithmus ein 3D-Skelettschätzer zwingend notwendig. Die Verwendung etwaiger Skelettschätzer in 2D ist nicht ausreichend.

3D-Alleinstellungsmerkmal für jedes Smartphone und Tablet

Wenn wir das Ergebnis eines 2D Skelettschätzers betrachten (siehe Beispielbild oben), dann ist das Ergebnis des Schätzers nach einem Durchlauf mit einem Bild als Eingabe eine Liste mit N Gelenken mit jeweils zwei Pixel-Koordinatenpunkten auf das Bild (x und y). Das gibt uns jedoch keinerlei Information über Raumtiefe (z). Die Person auf dem Bild könnte 2 Meter entfernt sein von der Kamera, oder 5 Meter. Darüber hinaus, da die geschätzten Koordinaten in Pixeleinheiten ausgegeben sind, haben wir keinerlei anatomisch korrekte Informationen über den Körper, wie beispielsweise korrekte Maße der einzelnen Körperteile bis hin zur Körpergröße. Einzig Gelenkwinken (z.B. Kniebeuge) ließen sich mittels Skelettschätzer in 2D messen, wenn die Aufnahme aus bestimmter Perspektive von Statten geht.

Die neuesten Skelettschätzer auf Basis von neuronalen Netzen haben anhand von Millionen von Bildern mit den zugehörigen Skelettsensordaten als ground-truth Label gelernt, Tiefeninformation aus Bildern zu schätzen. Als Ausgabe eines 3D-Schätzers erhalten wir nun pro Bild eine Liste von N Gelenkpunkten mit Koordinaten im physikalischen Raum (x, y, z) in Meter (bzw. Millimeter). In Kombination mit einem kinematischen Optimierungsalgorithmus, welches die tatsächliche Körpergröße als zusätzliche Eingabe-Information zusammen mit den geschätzten 2D und 3D Skelettdaten verwendet, sind wir in der Lage anatomisch korrekte Skelette in 3D zu ermitteln.

Nur mit der Hilfe dieser anatomisch korrekten Skelettdaten ist der von uns erfolgreich patentierte Algorithmus zur Berechnung der Mobilitätsparameter in der Lage, Gangparameter mit einer solch hohen Präzision und Validität auszugeben.

JETZT DOWNLOADEN

Sie möchten die Mobilitätsanalyse per App nutzen? Kontaktieren Sie uns gerne!

Kontakt