FallRiskPD
Project leader: , ,
Project members: , , , ,
Start date: 1. Januar 2018
End date: 31. Dezember 2019
Funding source: Bayerisches Staatsministerium für Wirtschaft und Medien, Energie und Technologie (StMWIVT) (ab 10/2013)
In cooperation with: UK Erlangen – Department for molecular neurology
Abstract
Die Fähigkeit zu gehen gehört zur Natur des Menschen. Eine Einschränkung dieser Fähigkeit verringert die Mobilität, die Unabhängigkeit und die damit verbundene Lebensqualität einer Person. Gleichzeitig stellen Stürze im Zusammenhang mit Gehstörungen die Hauptursache von leichten sowie schweren Verletzungen in der älteren Bevölkerung dar. Dabei können schwerste Verletzungen wie z.B. ein Hüftbruch oder ein Schädeltrauma entstehen oder im schlimmsten Fall sogar zum Tod führen. Ein erhöhtes Sturzrisiko ist ein Hauptsymptom des Parkinson Syndroms, das die betroffenen Patienten in ihrer Unabhängikeit und Mobilität beeinträchtigt.
Zur Zeit existieren noch keine validierten medizintechnischen Lösungen um ein individuelles, steigendes Sturzrisiko noch vor dem ersten Sturz einer Person zu bestimmen. Deshalb werden wir Algorithmen erforschen, die das Sturzrisiko auf der Basis von speziellen Gangmustern - erfasst durch im Schuh integrierte Inertialsensoren - vorhersagen können. Die Daten zur Auswertung spezieller Gangmuster im Zusammenhang mit einem erhöhten Sturzrisiko werden dabei mithilfe eines kontinuierlichen Langzeit-Monitoring-Systems gewonnen.
Um dieses Ziel zu erreichen werden wir drei Strategien in der Forschungs- und Entwicklungsphase verfolgen:
- Verwendung von speziellen Sensoren, die Gangdaten mit einer hohen biomechanischen Auflösung aufzeichnen können
- Entwicklung und Evaluation von Algorithmen zur Auswertung der Gangmuster mithilfe maschinellen Lernens
- Digitales „Biobanking“ von klinisch relevanten Gangmustern für eine individualisierte Bestimmung des Sturzrisikos
Das Ziel dieses Projekts ist es, neuartige Algorithmen auf Basis maschinellen Lernens zu erforschen, um das Sturzrisiko von Parkinson-Patienten mithilfe von kontunierlichen Gangdaten zu bestimmen. Da bestehende Algorithmen und Gangtests in der klinischen Forschung meist auf einzelne Anwendungen beschränkt sind, werden wir neue Algorithmen für ein kontinuierliches Ganganalysesystem erforschen, das mit hoher Zuverlässigkeit krankheitsspezifische Gangveränderungen erkennen wird.
Gleichzeitig arbeiten wir an einem klinischen Verständnis und validierten Daten für eine individualisierte Anwendung, was für eine spätere Medizinproduktzulassung sowie für ökonomisch relevante Technologie-Anwendungen in der Gesundheitsversorgung notwendig ist.
Related Publications
FallRiskPD: Long-term fall risk classification for Parkinson’s disease via intelligent sensor-based gait analysis in the home environment (Talk)
European Falls Festival 2018 (Manchester, 2. Juli 2018 - 3. Juli 2018)
In: European Falls Festival, 2nd and 3rd July 2018, Manchester, United Kingdom, ABSTRACT BOOKLET 2018
URL: http://eufallsfest.eu/documents/Abstract Booklet.pdf
BibTeX: Download , , , , , , , , :
Unsupervised harmonic frequency-based gait sequence detection for Parkinson’s disease
IEEE-EMBS International Conference on Biomedical and Health Informatics (BHI) (Chicago, 19. Mai 2019 - 22. Mai 2019)
DOI: 10.1109/BHI.2019.8834660
BibTeX: Download , , , , , :
Detection of Gait From Continuous Inertial Sensor Data Using Harmonic Frequencies
In: IEEE Journal of Biomedical and Health Informatics 24 (2020), S. 1869 - 1878
ISSN: 2168-2194
DOI: 10.1109/JBHI.2020.2975361
URL: https://www.mad.tf.fau.de/files/2020/11/2020_ullrich_gaitsequencedetection.pdf
BibTeX: Download , , , , , , , , :
Automatic clinical gait test detection from inertial sensor data
2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC) (Montreal, 20. Juli 2020 - 24. Juli 2020)
DOI: 10.1109/EMBC44109.2020.9176440
BibTeX: Download , , , , , , :
Hidden Markov Model based stride segmentation on unsupervised free-living gait data in Parkinson’s disease patients
In: Journal of neuroEngineering and rehabilitation 18 (2021), Art.Nr.: 93
ISSN: 1743-0003
DOI: 10.1186/s12984-021-00883-7
BibTeX: Download , , , , , , , :