Evolutionär optimierte Haltungs-und Bewegungsmodelle auf Basis von Motion-Capture-Daten als Teil gesundheitsbezogener Assistenzsysteme

Gesundheit, Zustand, Verhalten und Leistung eines Menschen können anhand seiner Körperhaltungen und -bewegungen bewertet werden.
Technische Beobachtungssysteme für Bewegungen (Motion-Capture-Systeme) sind ein Instrument zur Erfassung dieser Haltungen und Bewegungen und liefern eine Fülle von Daten, für deren Verarbeitung geeignete Prozesse, Algorithmen und Modelle nötig sind.

Diese Arbeit beschreibt einen Ansatz zur Optimierung von Körperhaltungs- und Bewegungsmodellen auf Basis von Motion-Capture-Daten als Teil von gesundheitsbezogenen Assistenzsystemen. Zur Optimierung und Anpassung der Modelle werden hierbei evolutionäre Algorithmen verwendet, die sich insbesondere durch ihre Flexibilität auszeichnen.
Es wird anhand eines generalisierten Konzepts gezeigt, wie sich Skelett-basierte Bewegungsdaten von optischen oder inertialen Motion-Capture-Systemen nutzen lassen, um angepasste Modelle der menschlichen Bewegung zu erzeugen, mit denen sich dann beispielsweise Aussagen über die Gesundheit oder das Verhalten von Menschen treffen lassen.
Das an konkrete Motion-Capture-Systeme und Anwendungsdomänen adaptierte Konzept wurde mit zwei gesundheitsbezogenen Anwendungsfällen auf die praktische Machbarkeit überprüft und empirisch evaluiert.

Im ersten Anwendungsfall wird die Erstellung eines Klassifikators für Körperhaltungen gezeigt, bei dem inertiale Sensordaten des Motion-Capture-Anzugs SIRKA für die Klassifikationen nach der OWAS-Methode genutzt werden. Im zweiten Anwendungsfall wird die Ableitung von Trainingsparametern für die Herz-Lungen-Wiederbelebung (HLW) auf Basis von Daten des optischen Motion-Capture-Systems Kinect demonstriert.