Übersicht

SG4smartmedication

Entwicklung von Methoden zur KI-gestützten Bewegungsanalyse mit Gamification zur Therapieunterstützung chronisch kranker Menschen mit Gelenkproblemen.

Projektdetails

Bei Hämophilie ist die Blutgerinnung gestört, was zu Gelenkschäden führen kann. Die Standardtherapie zielt darauf ab, Gelenkblutungen zu vermeiden, wobei viele PatientInnen physiotherapeutisch behandelt werden. Mithilfe von Fitnesstrackern ist eine Analyse der Bewegungsabläufe einzelner Gelenke nicht möglich. Ziel des Projektes ist die Entwicklung von Konzepten, die unter Nutzung von KI und nicht-störender Sensortechnologie eine qualitative und quantitative Bewegungsanalyse ermöglichen.

Das deutsche Gesundheitssystem digitalisiert sich zunehmend, auch in der Hämophilie-Therapie. Das Projekt nutzt digitale Tools wie Serious Games und KI-basierte Bewegungsanalyse, um die Adhärenz und Lebensqualität von Patienten zu verbessern und Langzeitschäden zu vermeiden. Telemonitoring und Unterstützung von Serious Games können den Einsatz von Endoprothesen vermeiden und somit eine bedeutende Kosteneinsparung bringen. Die Projektergebnisse sind auf andere Erkrankungen übertragbar

smart medication ist eine etablierte telemedizinische Plattform für Hämophilie, die von der smart medication eHealth Solutions GmbH betrieben wird. Prof. Dr.-Ing. Christoph Hoog Antink leitet seit Januar 2021 das Fachgebiet Künstlich intelligente Systeme der Medizin (KIS*MED) an der TU Darmstadt. Dr.-Ing. Stefan Göbel ist Leiter der Serious Games Forschergruppe an der TU Darmstadt und beschäftigt sich seit 2009 mit personalisierten Serious Games in den Bereichen Bildung, Training und Gesundheit.

Showroom

Webseite

Auf unserer Projektwebseite informieren wir über den aktuellen Fortschritt.

Zur Website

Accuracy Evaluation of 3D Pose Estimation with MediaPipe Pose for Physical Exercises

With the recent increase in interest in machine learning and computer vision, camera-based pose estimation has emerged as a promising new technology. One of the most popular libraries for camera-based pose estimation is MediaPipe Pose due to its computational efficiency, ease of use, and the fact that it is open-source. However, little work has been performed to establish how accurate the library is and whether it is suitable for usage in, for example, physical therapy. This paper aims to provide an initial assessment of this. We find that the pose estimation is highly dependent on the camera’s viewing angle as well as the performed exercise. While high accuracy can be achieved under optimal conditions, the accuracy quickly decreases when the conditions are less favourable.

Download (PDF 941,96 KB)