Text

Hintergrund: Körperliche Aktivität, Mobilität und Life Space stellen wichtige Parameter für die funktionelle Leistungsfähigkeit, Lebensqualität und Teilhabe bei älteren Menschen dar. Im Gegensatz zu Untersuchungen unter Laborbedingungen, in denen die körperliche Kapazität gemessen wird, kann durch den Einsatz körpergetragener Sensorik die körperliche Funktionalität im Alltag erfasst werden. Hierbei sind sowohl quantitative Analysen wie z.B. Anzahl Minuten pro Tag, die im Gehen, Stehen, Sitzen oder Liegen verbracht werden von großem Interesse und können als Endpunkt für Interventionen oder als Erfolgsparameter für medizinische Behandlungen angesehen werden. Qualitative Analysen des Ganges ermöglichen zudem Gangstörungen und damit auch das Sturzrisiko oder auch Stürze zu erfassen. Eine möglichst unaufdringliche Sensorik in Geräten, die eine ältere Person eh bei sich trägt oder bereit ist dauerhaft zu tragen, würde erlauben Datensätze aus dem Alltag zu generieren, die längere Verläufe, graduelle Veränderungen aber auch plötzliche Normabweichungen des individuellen Bewegungsmusters oder Aktivitätsniveaus darstellen könnten.

Methodik: Vergleich der Ergebnisse von Sensordaten verschiedener Sensoren an unterschiedlichen Körperstellen bei Probanden, denen auf einem Perturbationslaufband gezielt Störungen des Ganges zugefügt wurden. Trainieren eines deep convolutional long short-term memory (DeepConvLSTM) Algorithmus auf dem Perturbationslaufband, mit dem Ziel ähnliche Sequenzen des Balanceverlusts im Alltag zu detektieren.

Ergebnisse: Die mit den Hörgeräten gemessenen Beschleunigungsdaten korrelieren sehr stark mit den mit dem professionellen IMU-Gerät an der Ohrposition gemessenen Daten und weisen zusätzlich eine starke Korrelation zu den Standardpositionen an Sternum und Lendenwirbelsäule auf. Für die mit dem Hearable gesammelten Daten zeigte der Algorithmus eine Genauigkeit von 0,984 ± 0,006, eine Wiederauffindbarkeit von 0,71 ± 0,08 und einen F1-Score von 0,82 ± 0,05 für die Erkennung von Störereignissen.

Schlussfolgerung: Erste Ergebnisse zeigen, dass auch durch Beschleunigungssensoren in Hörgeräten oder Smartphones die Erfassung nicht nur von körperlicher Aktivität möglich ist, sondern durch die Anwendung von machine learning Algorithmen spezifische Gangmuster wiedererkannt werden können.

Ausblick: Ohrnahe Sensorik erlaubt nicht nur das Erkennen von Gangstörungen, Gangunsicherheiten und Balanceverlust. Perspektivisch vorstellbar ist ergänzend das Erfassen von Umgebungsfaktoren die durch Auslösen von dual-task Situationen zu Gangunsicherheiten beitragen können. Dies könnte dazu genutzt werden, das Verhalten in derartigen Situationen zu modifizieren, um das Risiko für Gangunsicherheit und Stürze bei einer entsprechenden Exposition zu reduzieren.

Literatur