Gleichgewichts- und Gangalgorithmen auf einem Smartphone verwenden integrierte Trägheitssensoren (Beschleunigungsmesser und Gyroskop), um Bewegungsdaten zu erfassen und zu analysieren:
- Durch die Anwendung von Signalverarbeitungs- und maschinellen Lerntechniken können die Algorithmen die Stabilität beim Stehen quantifizieren und wichtige Metriken beim Gehen extrahieren, z. B. Schrittlänge, Schrittzeit und Gehgeschwindigkeit.
Die Rohdaten für diese Algorithmen werden von der internen Trägheitsmesseinheit (IMU) des Smartphones erfasst, die Folgendes umfasst
- Beschleunigungsmesser: ein triaxialer Sensor, der die lineare Beschleunigung entlang der x-, y- und z-Achse misst
- bei der Ganganalyse kann er den Aufprall von Schritten und die Auf- und Abwärtsbewegung des Körperschwerpunkts erkennen
- Gyroskop: ein dreiachsiger Sensor, der die Winkelgeschwindigkeit oder Rotationsgeschwindigkeit um die x-, y- und z-Achse misst
- Diese Daten sind entscheidend für die Analyse von Körperschwankungen bei Gleichgewichtsaufgaben und Drehbewegungen beim Gehen.
Die rohen Sensordaten werden gefiltert und mithilfe von Algorithmen verarbeitet, um klinisch relevante Gang- und Gleichgewichtsparameter zu ermitteln. Algorithmen zur Ganganalyse
- Signalfilterung: Sensor-Rohdaten enthalten Rauschen, das durch Körperzittern und Gerätebewegungen entsteht - ein Butterworth- oder Kalman-Filter wird häufig verwendet, um das Signal zu glätten und Rauschen vor der Analyse zu entfernen
- Erkennung von Gangereignissen: Algorithmen identifizieren Schlüsselereignisse im Gangzyklus, wie z. B. Fersenauftritt und Zehenabgang, indem sie bestimmte Spitzen und Tiefpunkte in den gefilterten Beschleunigungs- und Winkelgeschwindigkeitssignalen erkennen
Extraktion von Parametern: Sobald die Gangereignisse identifiziert sind, berechnet der Algorithmus raum-zeitliche Parameter, darunter:
- Trittfrequenz: Die Anzahl der Schritte pro Minute
- Schrittzeit: Die Zeit zwischen aufeinanderfolgenden Schritten
- Schrittlänge: Geschätzt durch Doppelintegration der Beschleunigungsdaten
- Hochentwickelte Algorithmen können auch ein Doppelpendelmodell verwenden, um die Genauigkeit zu verbessern.
- Gehgeschwindigkeit: Die in einer bestimmten Zeit durchschnittlich zurückgelegte Strecke
- Symmetrie und Variabilität: Metriken, die durch den Vergleich der linken und rechten Schrittzeiten und -längen berechnet werden, was auf Ganganomalien hinweisen kann
Es ist erwiesen, dass die Smartphone-basierte Bewertung eine valide und zuverlässige Methode zur Beurteilung des Gleichgewichts im Stehen ist (1).
In Bezug auf Apple Health (Steadiness beim Gehen) (2):
Diese auf dem iPhone 8 oder höher eingebaute Funktion ist die am meisten diskutierte und validierte App zur Ganganalyse.
- Die wichtigsten Messgrößen sind: Wenn die Health-App in der Hosentasche oder in der Nähe der Taille getragen wird, überwacht sie eine Vielzahl von Mobilitätskennzahlen, darunter:
- Gehgeschwindigkeit
- Asymmetrie beim Gehen (Gleichgewicht zwischen den Schritten)
- Doppelte Standzeit (wie lange beide Füße auf dem Boden sind)
- Schrittlänge beim Gehen
Bietet eine "Sturzrisikobewertung".: bietet eine vorausschauende Bewertung der "Gehsicherheit" (hoch, OK oder niedrig), die das Sturzrisiko in den nächsten 12 Monaten abschätzt
- Benutzer können Benachrichtigungen erhalten, wenn ihre Punktzahl niedrig ist.
Hinsichtlich der Validität der Verwendung des Indikators für die "Gehsicherheit" auf dem iPhone (2):
- Siebenundzwanzig Kinder, 28 Erwachsene und 28 Senioren, die mit einem iPhone ausgestattet waren, absolvierten einen 6-minütigen Gehtest (6MWT)
- Ganggeschwindigkeit (GS), Schrittlänge (SL) und doppelte Stützzeit (DST) wurden aus den Gangaufzeichnungen der Health-App extrahiert
- Die Gangparameter wurden gleichzeitig mit einem Inertialsensorsystem (APDM Mobility Lab) erfasst, um die gleichzeitige Gültigkeit zu bewerten.
- Es zeigte sich, dass die Übereinstimmung zwischen der Health App und dem APDM Mobility Lab für GS in allen Altersgruppen und für SL bei Erwachsenen/Senioren gut, für DST in allen Altersgruppen und für SL bei Kindern jedoch schlecht bis mäßig war
- Die Übereinstimmung zwischen wiederholten Messungen war bei allen Gangparametern bei Erwachsenen/Senioren gut bis ausgezeichnet, bei GS und DST mäßig bis gut, bei Kindern jedoch schlecht für SL
- Die Autoren der Studie kamen zu folgendem Schluss:
- Die Health-App auf dem iPhone ist zuverlässig und valide für die Messung von GS und SL bei Erwachsenen und Senioren
- bei der Verwendung der Health-App bei Kindern und bei der Messung des DST im Allgemeinen ist eine sorgfältige Interpretation erforderlich, da beide eine begrenzte Validität und/oder Zuverlässigkeit gezeigt haben
Verwendung von Smartphones zur Bewertung des Gangs bei Patienten mit zerebraler Erkrankung der kleinen Gefäße (CSVD)
- In einer Studie wurde die Fähigkeit zur Erkennung von Gangereignissen mithilfe eines Smartphones in Kombination mit Deep Learning untersucht und die Fernwirkung und klinische Bedeutung dieser Methode bei verschiedenen älteren Bevölkerungsgruppen und Patienten mit zerebraler Kleingefäßerkrankung (CSVD) bewertet (3):
- Die Studienautoren zeigten, dass
- diese Methode effektiv Unterschiede zwischen gesunden älteren Erwachsenen, Personen mit leichter kognitiver Beeinträchtigung, Morbus Parkinson und Patienten mit zerebraler Kleingefäßerkrankung während des Gehens mit einer Aufgabe und mit zwei Aufgaben differenzieren kann
- schlug vor, dass die in dieser Studie vorgeschlagene Smartphone-basierte Ganganalyse-Methode einfach zu bedienen ist, geringe Kosten verursacht und die Erkennung fördert, was vielversprechende Anwendungen im Fern-Rehabilitationsmanagement, in der klinischen Bewertung und in anderen Bereichen verspricht
Referenz:
- Prato TA, Lynall RC, Howell DR, Lugade V. Validity and Reliability of an Integrated Smartphone Measurement Approach for Balance. J Sport Rehabil. 2024 Nov 18;34(2):177-183.
- Werner, C., Hezel, N., Dongus, F. et al. Validität und Zuverlässigkeit der Apple Health App auf dem iPhone zur Messung von Gangparametern bei Kindern, Erwachsenen und Senioren. Sci Rep 2023;13: 5350.
- Xu, K.; Yu, W.; Yu, S.; Zheng, M.; Zhang, H. The Detection of Gait Events Based on Smartphones and Deep Learning. Bioengineering;2025: 12(5):491.