-
Die
Erfindung betrifft ein Verfahren und ein Sensornetz zur Kontrolle
von Bewegungsabläufen des menschlichen Körpers.
Bei den Bewegungsabläufen handelt es sich beispielsweise
um von einem Patienten im Rahmen einer Rehabilitation durchgeführte
Bewegungsabläufe oder um durch einen Hochleistungssportler
durchgeführte Bewegungsabläufe, wobei das erfindungsgemäße
Verfahren und Sensornetz die Güte der ausgeführten
Bewegung in Bezug auf eine ideale Bewegung, die dem Sensornetz zuvor
unter Anleitung einer fachkundigen Person beigebracht wurde, ermitteln
und anzeigen.
-
In
der medizinischen Versorgung nach einem Unfall oder einer sonstigen
Schädigung der motorischen Fähigkeiten eines Patienten
ist es als Teil der durchzuführenden Rehabilitationsmaßnahmen teilweise
notwendig, komplette Bewegungsabläufe neu zu erlernen.
Entsprechende Übungen muss der Patient nach einem anfänglichen
Training mit einem Arzt eigenständig durchführen.
Dabei hat der Patient keinerlei Kontrolle darüber, ob die
zu einem gezielten Training der Muskulatur von ihm durchzuführenden Bewegungsabläufe
auch korrekt durchgeführt werden, mit der Folge, dass das
Rehabilitationstraining eventuell suboptimal erfolgt. In gleicher
Weise hat beispielsweise auch ein Hochleistungssportler, der einen
bestimmten Bewegungsablauf erlernen will, Bedarf nach einer Kontrolle
und einem Feedback zu den von ihm durchgeführten Bewegungsabläufen.
-
Es
ist des Weiteren allgemein bekannt, Sensoren zur Überwachung
von Funktionen des menschlichen Körpers einzusetzen. So
ist es beispielsweise aus Patell, S. et al.: „A
Body Sensor Network to Monitor Parkinsonian Symptoms: Extracting Features
an the Nodes", http://www.phealth2008.com/Events/agenda
extendida/key Bonato full.pdf, bekannt, Sensoren zur Überwachung
der Schwere der Symptome der Parkinson-Krankheit einzusetzen.
-
Der
vorliegenden Erfindung liegt die Aufgabe zugrunde, Verfahren und
Vorrichtungen zur Kontrolle von Bewegungsabläufen bereitzustellen,
die es unter Verwendung von Sensoren einer Person ermöglichen
zu überprüfen, ob ein durchgeführter
Bewegungsablauf einem idealen Bewegungsablauf entspricht.
-
Diese
Aufgabe wird erfindungsgemäß durch ein Verfahren
mit den Merkmalen des Anspruchs 1 und ein Sensornetz mit den Merkmalen
des Anspruchs 14 gelöst. Ausgestaltungen der Erfindung sind
in den Unteransprüchen angegeben.
-
Danach
sieht die erfindungsgemäße Lösung den
Einsatz eines Sensornetzes zur Kontrolle von Bewegungsabläufen
des menschlichen Körpers vor. In einer Konfigurationsphase,
die auch als Trainingsphase bezeichnet wird, wird aufgrund einer
näherungsweise ideal durchgeführten Bewegung ein
Referenzmerkmalsvektor bestimmt, dessen Elemente durch Merkmale
gebildet sind, die aus dem fraglichen Bewegungsablauf mittels der
Sensorknoten abgeleitet sind. Insbesondere werden Beschleunigungsmesswerte
zur Bildung der Merkmale eines Referenzmerkmalsvektors ausgewertet.
In einer der Konfigurationsphase nachfolgenden Ausführungsphase wird
ein anhand eines aktuellen Bewegungsablaufs ermittelter Merkmalsvektor
mit dem in der Konfigurationsphase ermittelten Referenzmerkmalsvektor
verglichen, anhand des Vergleichs die Güte des durchgeführten
Bewegungsablaufs ermittelt und der Person, die den Bewegungsablauf
durchgeführt hat, angezeigt, beispielsweise akustisch und/oder
optisch. Hierzu kann eine entsprechende Benutzerschnittstelle vorgesehen
sein.
-
Insbesondere
umfasst die Konfigurationsphase die Schritte:
- – Anordnen
einer Mehrzahl von Sensorknoten eines Sensornetzes an Gelenken und/oder
Gliedmaßen des menschlichen Körpers,
- – Durchführen eines Bewegungsablaufs, dabei
- – Erfassen mit dem Bewegungsablauf korrespondierender
Messwerte an den Sensorknoten,
- – Bestimmen einer Mehrzahl von Merkmalen, die den Bewegungsablauf
charakterisieren, aus den Messwerten, und
- – Darstellen der Merkmale als multi-dimensionalen Referenzmerkmalsvektor.
-
Die
Ausführungsphase umfasst insbesondere folgende Schritte:
- – Anordnen der Mehrzahl von Sensorknoten
an Gelenken und/oder Gliedmaßen des menschlichen Körpers
in gleicher Position wie in der Konfigurationsphase, sofern die
Sensorknoten nicht mehr in Position sind,
- – Durchführen des Bewegungsablaufs, dabei
- – Erfassen mit dem Bewegungsablauf korrespondierender
Messwerte an den Sensorknoten,
- – Bestimmen einer Mehrzahl von Merkmalen, die den Bewegungsablauf
charakterisieren, aus den Messwerten, wobei die gleichen Merkmale
bestimmt werden wir bei der Konfigurationsphase,
- – Darstellen der Merkmale als multi-dimensionalen aktuellen
Merkmalsvektor,
- – Vergleichen des aktuellen Merkmalsvektors mit dem
Referenzmerkmalsvektor, und
- – Generieren eines durch einen Nutzer wahrnehmbaren
Signals in Abhängigkeit von dem Ergebnis des Vergleichs.
-
Das
erfindungsgemäße Verfahren ermöglicht
es einer Person, die einen bestimmten Bewegungsablauf erlernen oder
wiedererlernen will, die Durchführung des Bewegungsablaufs
ohne die Notwendigkeit der Hilfe durch eine dritte Person kontrollieren
zu können. Die direkte Kontrolle der durchgeführten
Bewegungsabläufe erlaubt dabei ein effektives und richtiges
Lernen oder Wiedererlernen der fraglichen Bewegungsabläufe.
Da ein Spezialist wie ein Arzt nur noch anfänglich während
der Konfigurationsphase notwendig ist, spart die erfindungsgemäße
Lösung auch Zeit und damit Kosten auf Seiten des Spezialisten.
-
In
einer bevorzugten Ausgestaltung sieht die erfindungsgemäße
Lösung vor, dass sowohl während der Konfigurationsphase
als auch während der Ausführungsphase die Sensorknoten
des Sensornetzes ohne die Involvierung eines zentralen Computers die
aus Beschleunigungsdaten ermittelten Merkmale eines Referenzmerkmalsvektors
oder eines aktuellen Vektors zusammenführen und einen Vergleich
zwischen den jeweiligen Vektoren durchführen. Durch Vermeidung
eines Datenaustauschs mit einem zentralen Computer werden Kosten
eingespart und die Systemarchitektur vereinfacht.
-
Ebenso
erfolgt der Vergleich des aktuellen Merkmalsvektors mit dem Referenzmerkmalsvektor und
das Generieren eines durch einen Nutzer wahrnehmbaren Signals bevorzugt
allein durch die Sensorknoten des Sensornetzes. Dieses ist also
autark und nicht auf einen zentralen Rechner angewiesen.
-
In
einer Ausgestaltung der Erfindung ist vorgesehen, dass jeder Sensorknoten
k, k ≥ 1, Merkmale pro Raumachse aus den am jeweiligen
Sensorknoten gemessenen Messwerten erzeugt, die einen k-elementigen
Merkmalsvektor pro Raumachse bilden. Die k-elementigen Merkmalsvektoren
werden zu einem 3k-elementigen Merkmalsvektor pro Sensorknoten zusammengesetzt
und die 3k-elementigen Merkmalsvektoren der Sensorknoten werden
zu einem 3k·m-elementigen Referenzmerkmalsvektor zusammengesetzt,
wobei m die Anzahl der Sensorknoten des Sensornetzes angibt und
m ≥ 2 ist. In gleicher Weise wird in der Ausführungsphase
der aktuelle Merkmalsvektor ermittelt. Die beiden 3k·m-elementigen
Vektoren werden dann miteinander verglichen, beispielsweise durch
Berechnen des euklidischen Abstandes.
-
Zur
Bildung eines k-elementigen Merkmalsvektors pro Achse wird beispielsweise
ein Histogramm mit k Histogrammklassen gebildet und aus jeder der
k Histogrammklassen ein Merkmal abgeleitet. Dies ist aber nur beispielhaft
zu verstehen. Ebenso können die Merkmale des Merkmalsvektors
beispielsweise die Dauer der Bewegung, minimale Beschleunigungswerte,
maximale Beschleunigungswerte oder durchschnittliche Beschleunigungswerte betreffen.
-
Im
Falle der Bildung von k Histogrammklassen kann vorgesehen sein,
dass jeder Beschleunigungsmesswert in eine der k Histogrammklassen einsortiert
wird, wobei
- – die Anzahl der Beschleunigungsmesswerte
pro Klasse auf 1/k der erfassten Messwerte begrenzt ist,
- – die kleinsten Beschleunigungswerte solange in die
erste Histogrammklasse einsortiert werden, bis diese Histogrammklasse
gefüllt ist,
- – in weiteren k – 1 Schritten die übrigen
k – 1 Histogrammklassen aufgefüllt werden, bis
alle Beschleunigungsmesswerte einer der k Histogrammklassen zugeordnet
sind,
- – und in jeder der k-Histogrammklassen durch eine definierte
Abbildung ein Merkmal des Merkmalsvektors bestimmt wird.
-
Eine
solche definierte Abbildung ist beispielsweise die Differenz zwischen
dem maximalen Beschleunigungswert und dem minimalen Beschleunigungswert,
die als Merkmal für den Merkmalsvektor verwendet wird.
Natürlich können auch beliebig andere Abbildungen
erfolgen.
-
In
einem weiteren Ausführungsbeispiel wird der fragliche Bewegungsablauf
während der Konfigurationsphase mehrfach durchgeführt.
Der Referenzmerkmalsvektor wird dann durch den Mittelwert einer Mehrzahl
von während der wiederholten Bewegungsabläufe
jeweils gebildeten Merkmalsvektoren gebildet.
-
Auch
kann vorgesehen sein, dass mehrere unterschiedliche Bewegungsabläufe
trainiert werden, wobei für jeden Bewegungsablauf ein Referenzmerkmalsvektor
bestimmt wird. Während der Ausführungsphase wird
der aktuelle Merkmalsvektor mit sämtlichen in der Konfigurationsphase
bestimmten Referenzmerkmalsvektoren verglichen. Derjenige Referenzmerkmalsvektor
wird dann für die aktuell durchzuführende Bewertung
ausgewählt, der den geringsten Abstand zum aktuellen Merkmalsvektor
aufweist.
-
Die
Erfindung betrifft auch ein Sensornetz mit einer Mehrzahl von Sensorknoten,
die an Gelenken und/oder Gliedmaßen eines menschlichen
Körpers anbringbar sind und die jeweils mindestens einen
Sensor aufweisen. Dabei ist das Sensornetz zur Durchführung
einer Konfigurationsphase und zur Durchführung einer Ausführungsphase
konfigurierbar. In der Konfigurationsphase sind die Sensorknoten
des Sensornetzes dazu konfiguriert:
- – mit
einem Bewegungsablauf korrespondierende Messwerte zu erzeugen,
- – eine Mehrzahl von Merkmalen, die den Bewegungsablauf
charakterisieren, aus den Messwerten zu bestimmen, und
- – aus den Merkmalen einen multi-dimensionalen Referenzmerkmalsvektor
zu bilden. In der Ausführungsphase sind die Sensorknoten
des Sensornetzes dazu konfiguriert:
- – mit dem Bewegungsablauf korrespondierende Messwerte
zu erzeugen,
- – eine Mehrzahl von Merkmalen, die den Bewegungsablauf
charakterisieren, aus den Messwerten zu bestimmen, wobei die gleichen
Merkmale bestimmt werden wir bei der Konfigurationsphase,
- – aus den Merkmalen einen multi-dimensionalen aktuellen
Merkmalsvektor zu bilden,
- – den aktuellen Merkmalsvektor mit dem Referenzmerkmalsvektor
zu vergleichen, und
- – ein durch einen Nutzer wahrnehmbares Signal in Abhängigkeit
von dem Ergebnis des Vergleichs zu generieren.
-
Die
Erfindung wird nachfolgend unter Bezugnahme auf die Figuren der
Zeichnung anhand eines Ausführungsbeispieles näher
erläutert. Es zeigen:
-
1 schematisch
einen menschlichen Arm, an dem drei Sensorknoten eines Sensornetzes angeordnet
sind, die jeweils einen Beschleunigungssensor aufweisen;
-
2 ein
Histogramm, in dem durch einen Sensorknoten ermittelte Beschleunigungsmesswerte dargestellt
sind; und
-
3 beispielhaft
mehrere Referenzmerkmalsvektoren sowie einen aktuellen Merkmalsvektor in
einem zweidimensionalen Merkmalsvektorraum.
-
Die 1 zeigt
drei an einem menschlichen Arm angeordnete Sensorknoten 10, 20, 30,
wobei ein erster Sensorknoten 10 am Handgelenk, ein zweiter Sensorknoten 20 am
Ellenbogengelenk und ein dritter Sensorknoten 30 benachbart
der Schulter angeordnet ist. Die einzelnen Sensorknoten 10, 20, 30 sind
beispielsweise mittels Klettverschlüssen am Arm befestigt,
so dass sie leicht handhabbar und wieder verwendbar sind. Über
entsprechende Markierungen auf den Bändern der Sensorknoten
kann dabei vorgesehen sein, dass der menschliche Nutzer diese eigenständig
problemlos wieder befestigen kann.
-
Die
einzelnen Sensorknoten 10, 20, 30 weisen
jeweils einen Beschleunigungssensor, einen Prozessor, einen Datenspeicher,
ein Funkmodul und eine Energieversorgung beispielsweise in Form
einer Batterie auf. Derartige Sensoren sind an sich bekannt und
beispielsweise in Dziengel, N.: Verteilte Ereigniserkennung
in Sensornetzen, Diplomarbeit, Freie Universität Berlin,
Oktober 2007, in Abschnitt 3.1 beschrieben. Die Sensorknoten 10, 20, 30 tauschen über
Funk untereinander Messdaten aus.
-
Zur
Bildung einer Benutzerschnittstelle weist jeder Sensorknoten 10, 20, 30 des
Weiteren beispielsweise einen Tongenerator (Beeper) sowie mehrere
verschiedenfarbige LEDs auf.
-
Die
nachfolgende Beschreibung betrachtet beispielhaft den Vorgang, dass
das Sensornetz einen in Rehabilitation befindlichen Patienten beim
Erlernen von Bewegungsabläufen unterstützt. In
gleicher Weise kann das Sensornetz jedoch auch ein direktes Feedback
für einen aus einer anderen Motivation heraus durchgeführten
Bewegungsablauf bereitstellen, beispielsweise für eine
gezielte Leistungskontrolle im Hochleistungssport.
-
Die
Anordnung der Sensorknoten 10, 20, 30 gemäß der 1 erfolgt
initial durch einen Arzt. Die genaue Anzahl und die genaue Position
der Sensorknoten 10, 20, 30 hängt
dabei von Art der durchzuführenden Bewegung ab und wird
individuell vom behandelnden Arzt angepasst.
-
In
einer Konfigurationsphase trainieren der Arzt und der Patient gemeinsam
einen oder mehrere gewünschte bestimmte Bewegungsabläufe.
Die Sensorknoten 10, 20, 30 zeichnen
dabei die Beschleunigungsdaten an den jeweiligen Befestigungspunkten auf
und berechnen hieraus Merkmale, die die Bewegungsabläufe
charakterisieren. Beispielsweise extrahiert jeder Sensorknoten 10, 20, 30 während
eines trainierten Bewegungsablaufs 3 Merkmale pro Raumachse
aus den jeweils lokal gemessenen Beschleunigungsdaten. Ein Beispiel
hierfür ist anhand der 2 dargestellt.
-
Jeder
Sensorknoten 10, 20, 30 bestimmt fortlaufend
die aktuellen Beschleunigungswerte für alle drei Raumrichtungen
und gibt hierzu fortlaufend während der Bewegung Beschleunigungsmesswerte aus,
die nachfolgend auch als Samples bezeichnet werden, da sie jeweils
einen Abtastwert der aktuellen Beschleunigung darstellen. Beispielsweise
werden während einer Zeiteinheit von 1 Sekunde eine bestimmte
Anzahl von Messwerten bzw. Samples bereitgestellt. Die einzelnen
Beschleunigungsmesswerte einer Raumrichtung (x, y, z) werden in
einem Histogramm gemäß der 2 dargestellt.
Das Histogramm weist dabei k Histogrammklassen auf, wobei k eine
natürliche Zahl ≥ 1 und gleich der Anzahl der Merkmale
pro Achse ist, die aus den Messwerten abgeleitet werden.
-
Die
Messwerte werden zunächst auf ein einheitliches Zeit- und
Wertmaß normiert, um die Beschleunigungsmessungen verschiedener
Bewegungsabläufe vergleichbar zu machen. Beispielsweise
wird eine lineare Normierung verwendet, die die Bewegungsabläufe
einheitlich auf 4 Sekunden Bewegungsablaufsdauer abbildet und die
Intensität bei einem im Training ermittelten Maximalausschlag
normiert.
-
Jedes
der entsprechend normierten Samples wird nun in eine der Histogrammklassen
einsortiert. Die Anzahl der Samples pro Klasse ist dabei auf 1/k
der erfassten Messwerte begrenzt. Es werden die kleinsten Messwerte,
also die Messwerte mit den kleinsten Beschleunigungswerten, solange
in die erste Klasse einsortiert, bis diese Klasse gefüllt
ist. In dem Ausführungsbeispiel der 2 fallen
die ersten 50 Samples in die erste Klasse. Im Folgenden werden die übrigen
k-1-Klassen aufgefüllt, im Ausführungsbeispiel
der 2 also die zweite Histogrammklasse mit den Samples
50 bis 100 und die dritte Histogrammklasse mit den Samples 100 bis
150. Jedes Samples wird also einer der k Klassen zugeordnet.
-
In
einem nächsten Schritt wird für jede Histogramklasse
die Streuweite der dort gesammelten Daten betrachtet und hierzu
beispielsweise die Differenz zwischen dem Maximalwert und dem Minimalwert
in der entsprechenden Klasse ermittelt. Die so erzeugten Differenzen
bilden geeignete Merkmale für die Vektorbildung. Sie lassen
sich dabei mit den Differenzen anderer Muster vergleichen, wenn
sie aus der gleichen Histogrammklasse stammen. Ein Vorteil dieser
Art der Merkmalsbestimmung besteht darin, dass die Histogrammklassen
immer die gleiche Anzahl von Samples enthalten, so dass insbesondere nicht
die Gefahr besteht, dass eine Histogrammklasse keine Elemente enthält.
Auch ist die Klassengröße variierbar.
-
In
der Klasse 1 der 2 ist die Streuweite als W1,
in der Klasse 2 als W2 und der Klasse 3 als W3 angegeben. Damit
sind drei Merkmale W1, W2, W3 gefunden, die die durchgeführte
Bewegung charakterisieren. Somit liegen für die betrachtete
Raumrichtung drei Merkmale W1, W2, W3 vor, die einen dreielementigen
Merkmalsvektor bilden.
-
Für
die drei betrachteten Raumrichtungen liegt damit ein neunelementiger
Merkmalsvektor pro Sensorknoten 10, 20, 30 vor.
-
Nach
ihrer Ermittlung werden die Merkmale ebenfalls normiert, um den
für den Merkmalsvektorraum vorhandenen Wertebereich optimal
auszunutzen. Hierzu wird angemerkt, dass der vorhandene Wertebereich
im Wesentlichen durch die Auswahl des Prozessors der Sensorknoten
gegeben ist. Gängige Prozessoren besitzen eine Wortlänge
von 16 Bit, wobei üblicherweise mit weniger Bit gearbeitet wird,
um aus Effizienzgründen Überläufe im
Wertebereich zu vermeiden. Zur Normierung werden während
der Konfigurationsphase ebenfalls der maximale und minimale Merkmalswert
ermittelt, um dann diesen Bereich als Normierungsgrenzen für
die Merkmalsnormierung einzusetzen.
-
Die
neunelementigen Merkmalsvektoren der Sensorknoten 10, 20, 30 werden
zu einem 27-elementigen „globalen” Merkmalsvektor
zusammengefügt. Hierzu tauschen die Sensorknoten 10, 20, 30 für jeden
Trainingsdurchlauf die eigenen Merkmalsvektoren untereinander aus.
Dieser globale Merkmalsvektor beschreibt einen Punkt in einem 27-dimensionalen
Merkmalsvektorraum.
-
Bevorzugt
wird der fragliche Bewegungsablauf mehrfach unter Anleitung des
Arztes trainiert, sodass mehrere solcher 27-dimensionaler globaler Merkmalsvektoren
entstehen. Diese werden gemittelt und als Ergebnis liegt ein „Prototypvektor” für
den Bewegungsablauf vor, der als Referenzmerkmalsvektor bezeichnet
wird. Es wird jedoch darauf hingewiesen, dass grundsätzlich
schon nach einmaliger Durchführung des Bewegungsablaufes
ein solcher Referenzmerkmalsvektor bereitgestellt werden kann. Die
Prototypbildung ist jedoch genauer, wenn die fragliche Bewegung
mehrmals durchgeführt und mehrere entsprechende globale
Merkmalsvektoren zur Bildung des Referenzmerkmalsvektors gemittelt werden.
-
Nach
Bildung des Referenzmerkmalsvektors endet die Konfigurationsphase.
-
Es
ist natürlich möglich, für weitere Bewegungsabläufe
weitere Referenzmerkmalsvektoren zu ermitteln. Es ist also möglich,
mit Hilfe des Sensornetzes eine Vielzahl bestimmter, jeweils unterschiedlicher
Bewegungsabläufe zu kontrollieren.
-
Der
Patient kann nach Abschluss der Konfigurationsphase in einer nachfolgenden
Ausführungsphase die Bewegungsabläufe nun kontrolliert
und ohne Aufsicht ausüben. Hierzu werden vor jeder Übung
die Sensorknoten 10, 20, 30 wiederum
in der gleichen Position wie in der Konfigurationsphase an den Gelenken
beziehungsweise Gliedmaßen befestigt. Das System wird durch
Knopfdruck aktiviert und der Patient führt eine zu erlernende
Bewegung aus. Jeder der Sensorknoten 10, 20, 30 berechnet
dabei nach jedem durchgeführten Bewegungsablauf in entsprechender
Weise wie in Bezug auf die Konfigurationsphase erläutert
aus den Beschleunigungsmesswerten einen neunelementigen Merkmalsvektor
aus. Die neunelementigen Merkmalsvektoren werden zwischen den Sensorknoten 10, 20, 30 ausgetauscht und
zu einem 27-elementigen aktuellen Bewegungsmerkmalsvektor zusammengeführt.
Im Vektorraum wird dann der aktuelle 27-elementige Merkmalsvektor
mit dem zuvor bestimmten 27-elementigen Referenzmerkmalsvektor verglichen.
Hierzu wird beispielsweise der euklidische Abstand zum nächsten Referenzmerkmalsvektor
bestimmt. Dieser Abstand stellt einen Indikator für die
Güte des durchgeführten Bewegungsablaufes dar.
-
Dieses
ist beispielhaft und für zwei Dimensionen in der 3 dargestellt.
Die 3 zeigt vier Referenzmerkmalsvektoren 40, 50, 60, 70,
die Prototypvektoren darstellen und jeweils durch Mittelung von
sechs Merkmalsvektoren 41, 51, 61, 71,
gebildet sind, die bei sechs kontrollierten Trainingsdurchläufen
während der Konfigurationsphase durch das Sensornetz gebildet
wurden.
-
Die 3 zeigt
des Weiteren einen aus einem aktuellen Bewegungsablauf ermittelten
Merkmalsvektor 80. Es wird nun der Abstand des aktuellen
Merkmalsvektors 80 zu den einzelnen Referenzmerkmalsvektoren 40, 50, 60, 70 bestimmt.
Dabei stellt sich heraus, dass der geringste Abstand zu dem Referenzmerkmalsvektor 40 vorliegt.
Damit ist bestimmt, dass der durchgeführte aktuelle Bewegungsablauf
prototypisch durch den Referenzmerkmalsvektor 40 repräsentiert
wird.
-
Über
den euklidischen Abstand zwischen dem aktuellen Merkmalsvektor 80 und
dem Referenzmerkmalsvektor 40 kann nun eine Aussage über die
Güte des aktuell durchgeführten Bewegungsablaufes
vorgenommen werden. Je kleiner der euklidische Abstand zum Referenzmerkmalsvektor 40,
desto größer die Güte der durchgeführten
Bewegung.
-
Es
kann dabei ein Toleranzbereich 90 um den aktuellen Referenzmerkmalsvektor 40 gelegt werden.
Solange der aktuelle Merkmalsvektor 80 in diesem Toleranzbereich 90 liegt,
hat der Patient die Bewegung korrekt ausgeführt. Liegt
der aktuelle Merkmalsvektor 80 dagegen außerhalb
des Toleranzbereiches 90, hat der Patient die Bewegung
nicht korrekt ausgeführt. Statt einer solchen Ja-/Neinentscheidung
kann aber auch eine graduelle Information bereitgestellt werden,
die den tatsächlichen euklidischen Abstand zwischen den
betrachteten Merkmalsvektoren 40, 80 reflektiert.
-
Nach
jedem Durchführen eines Bewegungsablaufs wird der durch
das Sensornetz berechnete Abstand des aktuellen Merkmalsvektors 80 zum
Referenzmerkmalsvektor 40 des Patienten visuell oder akustisch
dargestellt. Hierzu ist eine Benutzerschnittstelle vorgesehen, die
beispielsweise eine Anzeige auf mindestens einem der Sensorknoten 10, 20, 30 und/oder
ein akustischen Signal umfasst. Beispielsweise kommen hierzu die
zuvor erwähnten LEDs oder der Tongenerator der Sensorknoten 10, 20, 30 zum
Einsatz, wobei beispielsweise eine grüne LED und/oder ein
kurzes Piepen für einen geringen Abstand und folglich für
eine korrekte Bewegung stehen, eine gelbe LED und/oder ein mittellanges
Piepen für eine annähernd richtige Bewegung stehen und
eine rote LED oder ein langes Piepen für ein falsche Bewegung
stehen. Die Erfolgsmeldung kann also abwägend gestaltet
sein, etwa durch eine farbliche Kodierung der Güte des
zuletzt durchgeführten Bewegungsablaufes.
-
Die
Erfindung beschränkt sich in ihrer Ausgestaltung nicht
auf das vorstehend dargestellte Ausführungsbeispiel. Beispielsweise
ist die Art und Weise der Ermittlung der in den Referenzmerkmalsvektor
einfließenden Merkmale nur beispielhaft zu verstehen. So
können statt Histogrammwerten auch andere typische Merkmale
einer Bewegung wie beispielsweise die Dauer einer Bewegung, minimale
Beschleunigungswerte, maximale Beschleunigungswerte oder durchschnittliche
Beschleunigungswerte zur Bildung der Vektoren herangezogen werden. Weiter
können, wenn wie in dem obigen Ausführungsbeispiel
Histogrammwerte ausgewertet werden, diese auch in anderer Weise
als in Bezug auf die 2 beschrieben zur Bildung von
Merkmalen für den Referenzmerkmalsvektor ausgewertet werden. Beispielsweise
kann vorgesehen sein, dass den einzelnen Histogrammklassen bestimmten
Beschleunigungsbereiche entsprechen und die Anzahl der in einen
Beschleunigungsbereich fallenden Samples das ausgewertete Merkmal
darstellt. Weiter ist auch die beschriebene Dimension des Referenzmerkmalsvektors
lediglich beispielhaft zu verstehen. Je nach Anzahl der pro Raumachse
gebildeten Merkmale und der Anzahl der Sensorknoten kann die Dimension
natürlich auch anders ausfallen.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste
der vom Anmelder aufgeführten Dokumente wurde automatisiert
erzeugt und ist ausschließlich zur besseren Information
des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen
Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt
keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Nicht-Patentliteratur
-
- - Patell, S.
et al.: „A Body Sensor Network to Monitor Parkinsonian
Symptoms: Extracting Features an the Nodes” [0003]
- - http://www.phealth2008.com/Events/agenda extendida/key Bonato
full.pdf [0003]
- - Dziengel, N.: Verteilte Ereigniserkennung in Sensornetzen,
Diplomarbeit, Freie Universität Berlin, Oktober 2007, in
Abschnitt 3.1 [0024]