Im Rahmen des zweijährigen Forschungs- und Entwicklungsprojekts SmartMediTex wird federführend durch das Zentrum für klinische Neurowissenschaften seit 2021 an einem textilbasierten System zu Unterstützung und Diagnostik des Gangbilds gearbeitet. Das Verbundprojekt SmartMediTex involviert Partner aus Forschung und Industrie. Innovative Lösungen zur textilen und elektrotechnischen Umsetzung werden hierbei durch das Institut für Textilmaschinen und Textile Hochleistungswerkstofftechnik (ITM) der TU Dresden sowie durch die Firmen Dresden Elektronik Ingenieurtechnik GmbH und warmX GmbH aus Apolda eingebracht.
Das SmartMediTex-System soll mithilfe von funktioneller elektrischer Stimulation (FES) MS-Patienten beim Gehen bedarfsgerecht unterstützen und das Gangbild unter Alltagsbedingungen objektiv erfassen. Hierzu erfolgt die Entwicklung als tragbares Therapiesystem in Form einer Funktionsleggings mit integrierten textilbasierten Elektroden sowie spezialisierter Sensortechnik.

Hierdurch können frühzeitig Interventionsmaßnahmen initiiert werden, um dem weiteren Fortschreiten der Beeinträchtigungen entgegenzuwirken. Sekundärfolgen wie Stürze durch unerkannte Gangbeeinträchtigungen könnten somit ebenfalls verhindert werden.

Aktuell erfolgt die Systementwicklung für den Anwendungsfall der Fußheberparese bei Multipler Sklerose. Das Konzept könnte aber auch für weitere neurologischen Erkrankungen anwendbar sein, welche mit einer Fußheberschwäche einhergehen. Längerfristig gesehen soll das entwickelte SmartMediTex-System bei alltäglichem Gebrauch die Mobilität und die Lebensqualität von bewegungseingeschränkten neurologischen Patienten signifikant verbessern.

Das Projekt wird durch Mittel des Zentralen Innovationsprogramms Mittelstand (ZIM) des Bundesministeriums für Wirtschaft und Klimaschutz mitfinanziert.

Algorithmen des maschinellen Lernens (ML) können Gangpathologien erkennen und klassifizieren. Ziel ist es frühzeitige Ganganomalien bei MS betroffenen aufzudecken noch bevor diese mit bloßem Auge zu erkennen sind. Des Weiteren sollen motorische Veränderungen bedingt durch Progression der MS im niederschwelligen Bereich erkannt werden. Gelingt dies, können neue Therapieebenen eröffnet werden. Zur Klassifizierung von Gangdaten aus unserem Bewegungslabor wurden mehrere ML-Ansätze, welche bereits in der Literatur etabliert sind genutzt, beispielsweise k-Nearest Neighbour, Support Vector Machine, Decision Tree und Gaussian Naive Bayes.

Ein weiteres Projekt beschäftigte sich mit der Vorhersage der Gehstrecke des 2-Minuten-Gehtest basierend auf hochdimensionalen und heterogenen Sensordaten. Neben herkömmlichen spatiotemporalen Gangparametern wie Schrittlänge, Schreitzeit und Gehgeschwindigkeit werden über spezialisierte Messinstrumente eine Vielzahl an Gangparametern erhoben. Für detaillierte klinische Fragestellungen spielen dabei jeweils ganz spezifische Messdaten eine Rolle. Laufende Projekte beschäftigen sich daher mit Parameterselektion und Sturzvorhersage mittels maschineller Lernmethoden.

In verschiedenen Forschungsansätzen widmen wir uns dem Thema Sturz und Fallangst. Aufgrund von Geheinschränkungen besteht für Menschen mit Multipler Sklerose häufig ein erhöhtes Sturzrisiko sowie durch Unsicherheiten beim Gehen bedingt eine Angst zu stürzen. Um das Gangbild der Betroffenen zu verbessern und die Zahl der Stürze bei Patienten zu verringern, ist es wichtig, alle Risikofaktoren für Stürze zu identifizieren. Dies erfordert ein umfassendes Verständnis der Biomechanik des pathologischen Gangs sowie detaillierte Mess- und Auswertemethoden. In einer aktuellen Arbeit untersuchen wir, ob die Bestimmung des Sturzrisikos durch Ganganalyse mittels maschineller Lernverfahren möglich ist. Hier ist unser Ziel, die relevanteste Methode zur Bestimmung des Sturzrisikos zu ermitteln, indem wir zehn verschiedene Gangbeurteilungsmethoden mithilfe von Algorithmen des maschinellen Lernens analysieren. Darüber hinaus untersuchen wir die relevantesten Merkmale für die Sturzerkennung. Es wurden ein neues Ensemble zur Merkmalsauswahl und vier Klassifikationsmodelle (Gaussian Naive Bayes, Entscheidungsbaum, k-nearest neighbor, Support Vector Machine) verwendet.

In Zusammenarbeit mit der TU Chemnitz/Professur für Sportgerätetechnik sind wir an einem Studienprojekt zu Innensohlen mit hochdynamischen Kraftwiderstandssensoren beteiligt.

Diese Sensoren sind dünn, flexibel und mit 8 Sensorzellen ausgestattet - außerdem ist ein Datenlogger der Firma Envisible mit einem 3-Achsen-Beschleunigungssensor an der Socke angebracht. Wir untersuchen im MS-Zentrum Patienten und gesunde Kontrollprobanden für die Analyse der plantaren Druckverteilung.

Um die aufgezeichneten Sensordaten der Socken mit GAITRite® vergleichen zu können, verarbeitet ein selbst entwickelter MATLAB-Algorithmus die Sensordaten der Socken zu Gang- und Druckparametern. Sechzehn Gang- und Druckparameter wurden für den Vergleich mit GAITRite bereitgestellt.

Wir haben die Sensorsocken für eine Usability-Studie zur Analyse der Handhabung und zur Validierung gegenüber dem Goldstandard verwendet.