Multisensor Motion Capture; Movement Analysis; Parkinson's Disease; Hochschulschrift
This dissertation investigates multisensor motion capture setups, including markerless movement estimation and wearable sensing, for clinical and occupational applications. It proposes analytics pipelines that combine movement data with statistical and machine learning methods to extract key health indicators. The research integrates multi-sensor tracking (depth cameras, wearables, optical MoCap) with AI-based methods to objectively assess movement irregularities in craftspeople and individuals with Parkinson's Disease. Key contributions include a framework enabling early, automated detection of motor disorders and occupational risks. Validation against gold standards (e.g., GAITRite) confirms the system's reliability. The work provides a foundation for scalable, real-time health monitoring and supports preventive interventions to improve quality of life and workplace safety. This thesis aims to help pave the way towards a multi-environment prevention-based health monitoring paradigm.
Diese Dissertation untersucht multisensorische Motion-Capture-Systeme (markerlose Bewegungsschätzung, Wearables) für klinische und arbeitsmedizinische Anwendungen. Sie präsentiert Analyse-Pipelines, die Bewegungsdaten mittels Statistik und Machine Learning verarbeiten, um Gesundheitsindikatoren zu extrahieren. Die Forschung kombiniert Multi-Sensor-Tracking (Tiefenkameras, Wearables, optisches MoCap) mit KI-Methoden, um Bewegungsauffälligkeiten bei Handwerkern und Parkinson-Patienten objektiv zu bewerten. Ein Kernbeitrag ist ein Framework zur frühen, automatisierten Erkennung motorischer Störungen und berufsbedingter Risiken. Die Validierung gegen Goldstandards (z. B. GAITRite) bestätigt die Zuverlässigkeit. Die Arbeit bildet die Basis für skalierbares Echtzeit-Monitoring und präventive Interventionen zur Steigerung von Lebensqualität und Arbeitssicherheit. Ziel ist es, den Weg für ein sektorübergreifendes, präventionsbasiertes Paradigma der Gesundheitsüberwachung zu ebnen.
Die steigende Lebenserwartung und das damit verbundene Risiko kritischer Erkrankungen erhöhen den Bedarf an flexiblen, standardisierten Trainings für die sichere Interaktion mit kritisch Kranken. Bisher stehen diese Trainings, bei denen meist mit Schauspielpatient:innen oder realen Patient:innen gearbeitet wird, nur medizinischem Personal zur Verfügung. Schauspielpatient:innen sind rar und ein Training am Bett hängt vom Patientenaufkommen ab. In dieser Arbeit wird eine Roboter-Patientin vorgestellt, die sensorisch erfasste, in der Literatur beschriebene sowie manuell definierte individuelle und bzw. oder krankheitsspezifische Bewegungs- und Verhaltensmuster replizieren kann. Die Roboter-Patientin soll medizinischem Personal nicht nur zeitlich flexibel und standardisiert das Trainieren sozialer Interaktionen ermöglichen, sondern auch dem sozialen Umfeld von kritisch Kranken ein Training ermöglicht und so zu sichereren Interaktionen beitragen.
The need for flexible, standardized training for safe interaction with critically ill patients is increasing due to the rise in life expectancy and the associated risk of critical illnesses. Until now, this training, which usually involves working with simulated patients or real patients, has only been available to medical staff. Simulated patients are rare, and bedside training depends on patient availability. This dissertation presents a robot-patient that can replicate individual and/or disease-specific movement and behavior patterns captured through sensory data, described in literature, or manually defined. The robot patient enables medical personnel to train social interactions flexible in time and standardized manner and also provides a training possibility to the social environment of critically ill patients, thus contributing to safer interactions.
Susanne Boll; Andreas Hein; Vanessa Cobus; Pascal Hinrichs; Simone Kuntz; Hironori Matsuzaki; Regina Schmeer; Stefan Walzer; Karin Wolf-Ostermann; Jürgen Zerth
Die Clusterkonferenz „Zukunft der Pflege” bringt Akteure aus Wissenschaft und Praxis zusammen, die die Zukunft der Pflege mitgestalten möchten und wird von dem vom Bundesministerium für Bildung und Forschung geförderten „Cluster Zukunft der Pflege“ veranstaltet. Dieses besteht aus dem Pflegeinnovationszentrum (PIZ), angesiedelt in Oldenburg und Bremen sowie vier weiteren Pflegepraxiszentren (PPZ) in Berlin, Freiburg, Hannover und Nürnberg. Die 6. Clusterkonferenz hat das PIZ organisiert und wurde von dem Koordinator des PIZ, dem OFFIS – Institut für Informatik, vom 20. bis 22. September 2023 in Oldenburg ausgerichtet. Folgende Themen bildeten die thematischen Schwerpunkte der Konferenz. Technische Innovationen für die Menschlichkeit in der Pflege; Kompetenzerwerb für die professionelle Pflege; Digitale Technologien für die Pflege.
International Symposium on Pervasive Displays ((6th :2017 :Lugano, Switzerland)) Pervasive Displays 2017 New York, New York : The Association for Computing Machinery, 2017 (2017), 26:1-26:2, insges. 2 S. 1 Online-Ressource (186 pages)
