Analyse von Biosignalen zur Detektion und Klassifikation von Bewegungszuständen mittels maschinellen Lernens für eine intelligente elektrisch unterstützte Gehhilfe (RooWalk-HRW)

Abstract

Das Teilvorhaben RooWalk-HRW entwickelte ein intelligentes, adaptives System zur Analyse multimodaler Biosignale bei Kindern mit motorischen Einschränkungen, insbesondere infolge einer Zerebralparese. Ziel war die zuverlässige Detektion, Klassifikation und Vorhersage von Bewegungszuständen als Grundlage für eine situationsgerechte Unterstützung durch eine elektrisch angetriebene Gehhilfe. Hierzu wurden Muskelaktivität mittels Oberflächen-Elektromyographie und kinematische Bewegungsdaten aus inertialen Messsystemen erfasst und mit Verfahren des maschinellen Lernens, insbesondere rekurrenten neuronalen Netzen, verarbeitet. Ergänzend entstand eine VR-basierte Simulationsumgebung mit humanoiden Avataren zur Generierung synthetischer Trainingsdaten und zur reproduzierbaren Validierung der Algorithmen. Im Ergebnis wurden eine modulare Softwarearchitektur, KI-Modelle zur Vorhersage von Bewegungsintentionen und ein integrierter Demonstrator erfolgreich umgesetzt und validiert. Messkampagnen einschließlich einer Studie mit Kindern bestätigten die grundsätzliche Eignung des Ansatzes für die Neurorehabilitation. Die Ergebnisse bilden eine belastbare Grundlage für adaptive, patientenspezifische Assistenzsysteme und eine Weiterentwicklung in Richtung klinischer Anwendung. The RooWalk-HRW subproject developed an intelligent, adaptive system for analyzing multimodal biosignals in children with motor impairments, particularly those resulting from cerebral palsy. The aim was to reliably detect, classify, and predict movement states as a basis for situation-appropriate support provided by an electrically powered walking aid. To this end, muscle activity was recorded using surface electromyography, and kinematic movement data were captured using inertial measurement systems. These data were processed with machine learning methods, in particular recurrent neural networks. In addition, a VR-based simulation environment with humanoid avatars was created to generate synthetic training data and enable reproducible validation of the algorithms. As a result, a modular software architecture, AI models for predicting movement intentions, and an integrated demonstrator were successfully implemented and validated. Measurement campaigns, including a study with children, confirmed the general suitability of the approach for neurorehabilitation. The results provide a robust foundation for adaptive, patient-specific assistive systems and for further development toward clinical application.