Adaptive Orthetik durch Intensionserkennung

Frühzeitige Erkennung von Bewegungsabsichten zur Unterstützung aktiver Orthesen oder Exoskelette.

Künstliche Intelligenz kann genutzt werden, um Bewegungsabsichten frühzeitig zu erkennen – beispielsweise über Inertialsensoren, die Daten zu Beschleunigung und Rotation liefern. Durch das Training auf typische Bewegungsabläufe lernt ein KI-Modell, bereits während einer Bewegung auf die zugrunde liegende Intention zu schließen.
Am IMT werden solche Verfahren erforscht, um aktive Orthesen oder Exoskelette vorausschauend und kontextsensitiv zu steuern. Ziel ist eine intuitive Mensch-Maschine-Interaktion, bei der die Technik den Menschen nicht nur reagierend, sondern antizipierend unterstützt – etwa in der Rehabilitation oder im Alltag.

Ansicht des Originalaufbaus an der Probandin mit den an Brust, Körperschwerpunkt und Oberschenkeln angebrachten IMUs. Die Sensoren erfassen Bewegungsdaten in Echtzeit und sind so positioniert, dass sie präzise Informationen zur Körperdynamik liefern.
Ansicht des Originalaufbaus an der Probandin mit den an Brust, Körperschwerpunkt und Oberschenkeln angebrachten IMUs. Die Sensoren erfassen Bewegungsdaten in Echtzeit und sind so positioniert, dass sie präzise Informationen zur Körperdynamik liefern.
Schematischer Aufbau des Systems: IMUs an Brust, Körperschwerpunkt und beiden Oberschenkeln sind über SPI mit dem Mikrocontroller verbunden, der die Daten an einen PC zur KI-basierten Verarbeitung weiterleitet.
Schematischer Aufbau des Systems: IMUs an Brust, Körperschwerpunkt und beiden Oberschenkeln sind über SPI mit dem Mikrocontroller verbunden, der die Daten an einen PC zur KI-basierten Verarbeitung weiterleitet.
Beispielhafter Datensatz einer Vorwärtsbewegung nach einem Startsignal zur Erkennung und Annotation der Bewegungsintention einer Probandin, dargestellt über verschiedene Zeitfenster.
Beispielhafter Datensatz einer Vorwärtsbewegung nach einem Startsignal zur Erkennung und Annotation der Bewegungsintention einer Probandin, dargestellt über verschiedene Zeitfenster.
Architekturübersicht: Mehrere IMU-Datenströme durchlaufen individuelle Ketten aus CNN-, Pooling- und Dense-Layern. Die gewonnenen Features werden anschließend durch Flatten- und Dense-Layer aggregiert, um die Intention des Menschen zu klassifizieren.
Architekturübersicht: Mehrere IMU-Datenströme durchlaufen individuelle Ketten aus CNN-, Pooling- und Dense-Layern. Die gewonnenen Features werden anschließend durch Flatten- und Dense-Layer aggregiert, um die Intention des Menschen zu klassifizieren.
Zum Seitenanfang