Bewegungsanalyse neu gedacht: KI rekonstruiert Bewegungsdaten von Parkinson-Patient:innen
Die präzise Analyse von Bewegungen ist ein zentraler Baustein in der Erforschung und Versorgung von neurodegenerativen Erkrankungen wie Parkinson. Dabei gibt es bei der Analyse selbst eigene Herausforderungen: Zum Beispiel können Marker verdeckt sein, wodurch teilweise ganze Datenabschnitte fehlen. In einer Machbarkeitsstudie hat die Arbeitsgruppe Neurogeriatrics Kiel am Universitätsklinikum Schleswig-Holstein (UKSH) gemeinsam mit KI.SH untersucht, wie Künstliche Intelligenz (KI) diese Lücken zuverlässig füllen kann. Das Ergebniseröffnet neue Perspektiven für Forschung und Patientenversorgung.
Die Herausforderung: Unvollständige Bewegungsdaten im klinischen Alltag
Die Arbeitsgruppe Neurogeratrie untersucht die Mobilität und die Qualität alltäglicher Bewegungen, wie beispielsweise das Gehen, Drehungen oder das Aufstehen aus dem Sitzen bei älteren Menschen und Patient:innen mit Parkinson. Für diese Analysen kommen in der Regel zwei Sensortypen zum Einsatz:
Optical Motion Capture-Systeme (OMC) arbeiten mit Markern, die in der Regel in Form von reflektierenden Punkten am Körper angebracht und von Kameras erfasst werden. Diese Systeme ermöglichen eine äußerst präzise und millimetergenaue Bewegungsverfolgung, sind jedoch an eine Laborumgebung gebunden.
Im klinischen Alltag zeigt sich bei OMC ein typisches Problem: Wenn Patient:innen beim Gehen gestützt werden müssen, oder Hilfsmittel die Sicht einschränken, werden oft bestimmte Marker verdeckt. Dadurch fehlen OMC-Daten teilweise oder vollständig, sodass sich ganze Bewegungsabschnitte nicht mehr analysieren lassen.
Ergänzend oder alternativ werden Inertiale Messeinheiten (IMU) genutzt. Diese kleinen, mobilen Sensoren messen Beschleunigung, Drehbewegungen und Magnetfelder, sind flexibel einsetzbar und auch in Alltagsgeräten wie Smartphones verbaut.
Allerdings sind präzise Messungen allein mit IMUs schwierig, da Driftfehler auftreten. Diese entstehen durch im Laufe der Zeit angesammelte Messfehler, die zu einer schrittweisen Abweichung von der tatsächlichen Position führen.
Das Ziel: Bewegungsdaten kombinieren, statt verlieren
In der Machbarkeitsstudie wurden die beiden Sensortypen so kombiniert, dass IMU-Daten fehlende OMC-Werte rekonstruieren können. Dadurch sollten auch bei verdeckten Markern vollständige Bewegungsanalysen möglich bleiben, ohne dass sich die Driftfehler der IMUs zu stark auswirken.
Langfristig verfolgt die Arbeitsgruppe des UKSH die Vision, die aufwendige OMC-Technologie durch IMU-basierte Verfahren zu ersetzen, um Bewegung damit günstiger, flexibler und alltagstauglicher zu erfassen.
Vorgehen: KI-gestützte Rekonstruktion
Um dieses Ziel zu erreichen, entwickelte das interdisziplinäre Projektteam, bestehend aus Pedro Conceição, Josef Küstner, Rachana Murthy, Dominik Hirsch, Caroline von Dresky und Linus Prinz ein modulares Framework zur Datenimputation. Dieses ergänzt fehlende Werte in den Bewegungsdaten. Vorhandene OMC-Daten wurden beibehalten, und fehlende Marker konnten – sofern möglich – mithilfe benachbarter Messwerte mittels einer geometrischen Funktion abgeschätzt (interpoliert) werden. Für komplexere Lücken nutzte das Team künstliche Intelligenz, die auf Basis erlernter Bewegungsmuster realistische Werte ergänzte. Die trainierten neuronalen Netze erhielten die vorverarbeiteten IMU-Sensorwerte als Eingabe und rekonstruierten auf dieser Grundlage die fehlenden Positionswerte der OMC-Sensoren.
Hierbei testete das Team verschiedene neuronale Netze: Ein Recurrent Neural Network (RNN) ermöglichte stabilere und robustere Ergebnisse, benötigte dafür jedoch eine längere Trainingszeit. Ein Temporal Convolution Network (TCN) zeigte in ersten Versuchen vielversprechende Ansätze und benötigte dabei kürzere Trainingszeiten im Vergleich zum RNN. Jedoch ist hier auf die Herausforderung des sogenannten Overfitting (Überanpassung) insbesondere bei großen Trainingsdatensätzen hinzuweisen. Hier können insbesondere bei großen Trainingsdaten falsche Schlüsse durch das KI-Modell gezogen werden.
Auf dieser Basis entstand schließlich ein eigens entwickeltes Framework.
Ergebnisse: Das Framework im Praxistest
Für die Evaluation nutzte das Team Bewegungsdaten von 54 Patient:innen, die jeweils rund 20 Bewegungsmuster durchführten. Mithilfe realistischer Tests, sogenannten Maskierungen, bei denen Daten absichtlich weggelassen werden, zeigte sich, dass das entwickelte Framework – insbesondere in der reinen RNN-Variante – durchweg bessere oder zumindest vergleichbare Fehlerquoten erzielte als andere Methoden. Bewegungen konnten mit hoher Kontinuität nachgebildet werden – selbst dann, wenn ganze Marker-Sets fehlten. Damit setzt es einen neuen Standard für die Rekonstruktion fehlender OMC-Daten.
Für den Alltag bedeutet das: Anders als bisher müssen wertvolle Analysen nicht mehr verworfen werden, wenn Messmarken verdeckt sind – ein massiver Zeitfaktor. Hinzu kommt, dass Ärzt:innen somit auch in schwierigen Situationen Bewegungsverläufe zuverlässig nachvollziehen können.
Potenzial für die Weiterentwicklung
Die Ergebnisse der Machbarkeitsstudie sind vielversprechend, dennoch sieht das Projektteam Ansatzpunkte für weitere Optimierungen. So könnten alternative RNN-Architekturen, beispielsweise mit größeren Netzwerken oder solchen, die Informationen in beide Richtungen verarbeiten, die Genauigkeit der Rekonstruktionen noch weiter erhöhen. Auch das zunächst getestete TCN-Modell bietet Potenzial: Auf einer größeren Datenbasis ließe sich untersuchen, wie man Overfitting (Überanpassungen) an Trainingsdaten vermeiden kann.
Außerdem rücken verbesserte Verfahren zur Ausrichtung der Daten in den Fokus. Diese könnten insbesondere dann hilfreich sein, wenn über längerer Zeit keine Messwerte vorliegen, um Fehler bei der Positionsbestimmung zu reduzieren. Schließlich bietet es sich an, Modelle zukünftig spezifisch für bestimmte Bewegungsarten wie Gehen oder Drehungen zu trainieren, um die Datenrekonstruktion noch stärker an typische klinische Szenarien anpassen.
Fazit und Ausblick
Das Projekt hat gezeigt, dass KI-basierte Sensorfusion ein wirksamer Ansatz sein kann, um die Herausforderungen der Bewegungsanalyse in der klinischen Praxis zu lösen. Mit der KI-basierten Rekonstruktion bleiben Bewegungsanalysen auch dann möglich, wenn bislang wichtige Daten fehlen oder verdeckt sind. Kurzfristig verbessert das Verfahren die Auswertung von Bewegungen, selbst wenn Marker verdeckt sind. Langfristig besteht die Möglichkeit, die aufwendige OMC-Technologie vollständig durch IMU-Sensoren zu ersetzen oder umfassend zu ergänzen. Dadurch könnten Forschung und Versorgung patientennäher und alltagstauglicher gestaltet werden.
Die Ergebnisse der Machbarkeitsstudie werden auch auf der 6. KI-Landeskonferenz in Lübeck am 9. Oktober 2025 zum Thema KI in Medizin und Gesundheit vorgestellt. Dort haben Fachpublikum und Interessierte die Gelegenheit, sich über den aktuellen Stand und die Perspektiven dieses Projekts auszutauschen.
Neurogeriatrics Kiel
Klinik für Neurologie
Universitätsklinikum Schleswig-Holstein, Campus Kiel
Christian-Albrechts-Universität zu Kiel
Arnold-Heller-Str. 3, Haus D
24105 Kiel
Tel.: +49 43 500-23895
E-Mail: neurogeriatrics@neurologie.uni-kiel.de
https://neurogeriatrics-kiel.com/de/