Augmented reality in revalidatie: Een nieuwe deep learning aanpak voor de markerloze bepaling van de menselijke houding en het berekenen van gangparameters. (FWOSB139)

3D Human pose estimation (HPE) is een probleem uit de
beeldverwerking dat draait rond het bepalen van de positie van het
menselijke lichaam in 3D. HPE is de belangrijkste technologie achter
markerless motion capture, een aanpak die vaak verkozen wordt
boven een marker gebaseerde aanpak omdat de eerste draagbaar,
minder duur en eenvoudig op te zetten is. Deze aanpak is echter
vaak niet nauwkeurig genoeg voor medische toepassingen zoals
ganganalyse, waardoor deze enkel mogelijk blijven in
gespecialiseerde centra die beschikken over marker gebaseerde
oplossingen.
In de literatuur worden HPE door 1 camera enerzijds en ganganalyse
anderzijds steeds afzonderlijk bestudeerd (beeldverwerking met deep
learning versus biomechanica). We stellen in dit voorstel voor beide
problemen in het zelfde deep learning framework te definiëren en te
trainen met de bedoeling de nauwkeurigheid van beide te verhogen.
We beogen deze processing rechtstreeks en in real time op
augmented reality brillen mogelijk te maken. Hierdoor bekomen we
een oplossing die per definitie draagbaar en intuïtief werkt, maar die
de clinici bijvoorbeeld ook toelaat gangparameters te visualiseren
door middel van hologrammen bovenop de anatomie van de patiënt.
Aanvullende meer geavanceerde parameters zoals kniebelasting
worden op dit moment uitsluitend offline berekend met complexe
biomechanische modellen. We beogen deze parameters met data
gedreven AI methoden ook in real time te kunnen berekenen en

Trefwoorden:Bewegingsopname zonder markering, Augmented Reality, Ganganalyse

Disciplines:Rehabilitatie ingenieurswetenschappen, Systeembiomechanica en biomechanica van het lichaam, Datavisualisatie en beeldvorming, Computationele biomodellering en machine learning