A Multi-Modal Dataset for Ground Reaction Force Estimation Using Consumer Wearable Sensors

Diese Arbeit stellt einen vollständig offenen, multimodalen Datensatz vor, der es ermöglicht, vertikale Bodenreaktionskräfte mithilfe von IMU-Daten von Consumer-Apple-Watches in Kombination mit Labor-Kraftmessplatten zu schätzen und damit die reproduzierbare Forschung im Bereich der Wearable-Biomechanik sowie das Benchmarking von Machine-Learning-Modellen zu fördern.

Das Wesentliche

🍎 Der "Schuh-Check" mit der Uhr am Handgelenk

Stellen Sie sich vor, Sie wollen wissen, wie stark Ihre Füße beim Gehen, Joggen oder Springen auf den Boden drücken. Normalerweise braucht man dafür riesige, teure Messplatten im Labor, die wie eine Art "Super-Boden" funktionieren. Diese sind aber zu schwer und zu teuer, um sie im Alltag zu nutzen.

Die Forscher aus Großbritannien haben sich eine clevere Idee überlegt: Warum nicht die smarte Uhr am Handgelenk nutzen, die wir ohnehin tragen?

Die Studie ist wie ein riesiges Rezeptbuch für Daten. Sie zeigt, wie man mit einer ganz normalen Apple Watch (die am Handgelenk und sogar an der Taille getragen wurde) herausfinden kann, wie viel Kraft beim Aufsetzen des Fußes entsteht.

🏃‍♂️ Was ist passiert? (Die "Test-Party")

Zehn gesunde Erwachsene (zwischen 26 und 41 Jahren) kamen in ein Labor. Sie trugen zwei Apple Watches:

1. Eine am Handgelenk (wie eine normale Uhr).
2. Eine am Bauch (an einem Gurt, direkt über dem Bauchnabel).

Dann machten sie fünf verschiedene Dinge:

• Gehen (entspannt)
• Joggen (gemütlich)
• Laufen (schnell)
• Fersen-Hüpfer (auf die Ferse fallen lassen)
• Treppen-Hüpfer (von einer Stufe springen)

Während sie das taten, standen sie auf einer magischen Messplatte im Boden. Diese Platte war der "Wahrheits-Checker". Sie hat exakt gemessen, wie viel Kraft wirklich auf den Boden kam. Die Uhren haben gleichzeitig gemessen, wie sie sich bewegt haben.

🧩 Das große Puzzle: Uhren vs. Messplatte

Das Schwierige an dieser Aufgabe ist wie ein Puzzle mit zwei verschiedenen Uhren:

• Die Messplatte im Boden ist extrem schnell und präzise (sie macht 1000 Bilder pro Sekunde).
• Die Apple Watch ist etwas langsamer (ca. 100 Bilder pro Sekunde) und hat keine direkte Verbindung zum Boden.

Die Forscher mussten also wie Detektive arbeiten. Sie haben die Daten der Uhren und der Messplatte so genau aufeinander abgestimmt, dass sie perfekt zusammenpassen. Sie haben nach kleinen "Ankerpunkten" gesucht (z. B. ein kurzes, festes Aufstampfen mit dem Fuß), um sicherzustellen, dass das "Hüpfen" auf der Uhr genau zur gleichen Zeit passiert wie das "Drücken" auf der Messplatte.

📦 Was haben sie am Ende geliefert?

Sie haben einen riesigen Datenschatz (einen "Open-Source-Datensatz") erstellt, den jeder kostenlos nutzen darf. Man kann sich das wie einen großen Koffer mit Werkzeugen vorstellen:

• Rohdaten: Die rohen Bewegungssignale der Uhren und die Kraftdaten der Platte.
• Berechnete Daten: Schon aufbereitete Signale, damit man sie leichter analysieren kann.
• Anleitung: Eine genaue Liste, welche Datei zu welcher Person und welcher Übung gehört.

🚀 Wofür ist das gut?

Stellen Sie sich vor, Sie entwickeln eine App für Sportler oder Reha-Patienten. Früher mussten diese Leute ins Labor gehen, um ihre Belastung zu messen. Mit diesem Datensatz können Entwickler jetzt Trainings-Apps bauen, die auf der Uhr am Handgelenk laufen und dem Nutzer sagen: "Achtung, du belastest dein Knie gerade zu stark!" – und das alles ohne teure Laborgeräte.

⚠️ Ein paar kleine Einschränkungen (Die "Aber")

Wie bei jedem neuen Experiment gibt es ein paar Dinge zu beachten:

• Nur 10 Personen: Das ist eine kleine Gruppe. Es ist wie ein Kochtest mit nur 10 Gästen. Es funktioniert gut, aber um zu sagen, ob es für alle Menschen auf der Welt passt, bräuchte man mehr Tester.
• Labor vs. Alltag: Die Tests waren im Labor auf einem perfekten Boden. Im echten Leben auf nassem Asphalt oder mit verschiedenen Schuhen könnte es etwas anders aussehen.
• Nur Apple Watch: Die Daten kommen nur von Apple-Uhren. Ob das auch mit einer Samsung- oder Garmin-Uhr funktioniert, muss noch geprüft werden.

🎯 Fazit

Die Forscher haben bewiesen, dass unsere Alltags-Uhren viel mehr können als nur Schritte zählen. Sie können fast so gut messen wie teure Laborgeräte, wenn man sie richtig auswertet. Dieser Datensatz ist wie eine Bauanleitung, die es anderen Wissenschaftlern und Entwicklern erlaubt, die Welt des Sports und der Gesundheit mit Hilfe von Wearables zu verbessern.

Kurz gesagt: Die Uhr am Handgelenk wird zum neuen "Kraft-Messgerät" für den Alltag.

Technische Zusammenfassung

1. Problemstellung und Motivation

Die Messung von Bodenreaktionskräften (Ground Reaction Forces, GRF) ist entscheidend für die Analyse der menschlichen Fortbewegung, die Bewertung muskuloskelettaler Belastungen und Anwendungen in der Rehabilitation sowie im Sport. Der aktuelle Goldstandard sind Labor-Kraftmessplatten, die jedoch aufgrund ihrer Größe, Kosten und stationären Natur nicht für den Einsatz im Alltag geeignet sind.

Wearables (tragbare Sensoren) bieten eine Alternative, doch es fehlt an umfassenden, öffentlich zugänglichen Datensätzen, die konsumentenorientierte Wearables (insbesondere am Handgelenk getragene Geräte) mit laborbasierten Kraftmessplatten-Daten (Ground Truth) zeitlich synchronisiert kombinieren. Bisherige Datensätze konzentrieren sich oft auf proximale Sensoren (Schenkel, Hüfte) oder nutzen Motion-Capture-Systeme, vernachlässigen aber die ubiquitäre Platzierung am Handgelenk, die für Consumer-Geräte typisch ist.

2. Methodik

Studiendesign und Teilnehmer

• Teilnehmer: 10 gesunde Erwachsene (6 männlich, 4 weiblich; Alter 26–41 Jahre).
• Aktivitäten: Fünf verschiedene Aktivitäten wurden durchgeführt: Gehen, Joggen, Laufen, Fersenabwürfe (Heel drops) und Schrittabwürfe (Step drops).
• Sensoren: Jeder Teilnehmer trug zwei Apple Watch-Geräte (Serie 5 oder höher):
  1. Am dominanten Handgelenk (Standardposition).
  2. Am Bauchgürtel (nahe dem Körperschwerpunkt, unter dem Nabel).
• Ground Truth: Eine AMTI OR6-7 Kraftmessplatte (Abtastrate 1000 Hz) diente als Referenz für die vertikale Bodenreaktionskraft (vGRF).

Datenerfassung und Synchronisation

• Abtastraten: Die Apple Watches zeichneten Beschleunigung und Winkelgeschwindigkeit mit ca. 100 Hz auf; die Kraftmessplatte mit 1000 Hz.
• Protokoll: Die Teilnehmer führten die Aktivitäten über einen 10-Meter-Weg aus (für Laufaktivitäten) oder nutzten eine 20-cm-Plattform (für Abwürfe).
• Zeitliche Ausrichtung (Alignment): Da keine gemeinsame Hardware-Uhr vorhanden war, wurde eine hybride Nachbearbeitungsstrategie angewendet:
  • Event-basiert: Nutzung eines „Heel-Tap"-Markers (kurzer Fußaufsatz) zu Beginn mancher Versuche als Ankerpunkt.
  • Feature-basiert: Nutzung der Standphasen-Charakteristika (Stance Phase) und Kreuzkorrelation der Gradienten von Kraft und Beschleunigung, um die Verzögerung (Lag) zwischen den Sensoren zu berechnen.
• Vorverarbeitung: Die Rohdaten wurden mit Butterworth-Tiefpassfiltern gefiltert (20 Hz für Kraft, 10 Hz für IMU), wobei Rohdaten ebenfalls zur Verfügung gestellt werden, um hochfrequente Impulse bei Abwürfen nicht zu verfälschen.

Qualitätskontrolle und Validierung

• Triad-Vollständigkeit: Der Datensatz umfasst 492 validierte Versuche. Davon sind 395 (80,3 %) „triad-complete", d. h., Daten von Handgelenk, Bauch und Kraftmessplatte liegen vor.
• Sensitivitätsanalyse: Eine Monte-Carlo-Simulation prüfte die Robustheit der Korrelationsmetriken gegenüber zeitlichen Verschiebungen von ±10 ms (±1 Sample bei 100 Hz). Die Ergebnisse zeigten, dass die Korrelationsmetriken für biomechanisch relevante Beziehungen (|r| ≥ 0,2) gegenüber solchen Jitter-Effekten robust sind.
• Wiederholbarkeit: Die Intraclass Correlation Coefficients (ICC) für die Spitzen-vGRF lagen zwischen 0,871 (Fersenabwurf) und 0,990 (Laufen), was eine exzellente Messwiederholbarkeit bestätigt.

3. Key Contributions (Hauptbeiträge)

1. Öffentlicher Multi-Modal-Datensatz: Bereitstellung eines vollständig offenen Datensatzes (CC BY 4.0) mit 492 validierten Versuchen, der erstmals eine systematische Kombination von Handgelenk-Wearables, Bauch-Sensoren und Kraftmessplatten für verschiedene Bewegungsarten bietet.
2. Fokus auf Handgelenk-Sensoren: Der Datensatz adressiert die Lücke in der Forschung, indem er speziell die Eignung von Handgelenk-Sensoren (typisch für Consumer-Produkte) zur Schätzung von vGRF untersucht, was bisher in öffentlichen Datensätzen unterrepräsentiert war.
3. Umfassende Metadaten und Manifeste: Die Daten sind durch maschinenlesbare Manifeste (CSV) strukturiert, die Datei-Pfade, Verfügbarkeitsflags und Qualitätskontroll-Flags enthalten. Dies ermöglicht eine einfache Identifizierung von Versuchen mit vollständigen Sensordaten.
4. Validierungsframework: Einführung eines dreistufigen Kreuzsensor-Validierungsansatzes (Bauch→Kraftplatte, Handgelenk→Bauch, Handgelenk→Kraftplatte), um die Plausibilität und Konsistenz der Signale zu bewerten.
5. Reproduzierbarkeit: Alle Analyse-Skripte (Python), Synchronisationsalgorithmen und Visualisierungen sind öffentlich auf GitHub und Zenodo verfügbar.

4. Ergebnisse

• Datenverfügbarkeit: Hohe Verfügbarkeit der Sensordaten: Handgelenk (93,7 %), Bauch (91,7 %), Kraftplatte (91,3 %).
• Korrelationsanalyse:
  • Bauch zu Kraftplatte: Mittlere Korrelation (Pearson r) von 0,550.
  • Handgelenk zu Bauch: Mittlere Korrelation von 0,486.
  • Handgelenk zu Kraftplatte: Mittlere Korrelation von 0,486.
  • Laufaktivitäten zeigten stärkere Korrelationen als Impulsaktivitäten (Abwürfe), was auf die zyklische Natur des Laufens im Vergleich zu transienten Impulsen zurückzuführen ist.
• Signalqualität: Die Beschleunigungssensoren zeigten stabile Abtastraten und geringes Rauschen. Es wurden jedoch Sättigungseffekte (Clipping) bei hochintensiven Aktivitäten (insbesondere Schrittabwürfe am Bauchgürtel) festgestellt, die in den Metadaten gekennzeichnet sind.
• Zeitliche Ausrichtung: Die Nachbearbeitung der Zeitachse erwies sich als robust; kleine zeitliche Verschiebungen hatten nur einen minimalen Einfluss auf die Korrelationsmetriken.

5. Bedeutung und Anwendungsbereiche

Dieser Datensatz ist ein wertvolles Werkzeug für die Forschung in folgenden Bereichen:

• Entwicklung von ML-Modellen: Ermöglicht das Training und Benchmarking von Algorithmen zur Schätzung von Bodenreaktionskräften aus Wearable-Daten, insbesondere unter Verwendung von Handgelenk-Sensoren.
• Sensorplatzierungsstudien: Durch die parallele Erfassung am Handgelenk und am Bauch können die Auswirkungen der Sensorplatzierung auf die Schätzgenauigkeit systematisch untersucht werden.
• Reproduzierbare Biomechanik: Bietet eine standardisierte Basis für den Vergleich von Algorithmen und fördert die Transparenz in der Wearable-Forschung.
• Klinische und Sportwissenschaftliche Anwendungen: Kann zur Entwicklung von Tools für die Ganganalyse im Alltag oder zur Überwachung von Belastungen in der Rehabilitation genutzt werden.

Einschränkungen: Der Datensatz stammt von einer kleinen Stichprobe gesunder Erwachsener (n=10) in einer kontrollierten Laborumgebung. Die Generalisierbarkeit auf ältere Menschen, klinische Populationen oder unvorhersehbare Alltagsszenarien erfordert weitere Validierung. Zudem stammen die Wearables ausschließlich von einem Hersteller (Apple).

Zusammenfassend stellt dieses Paper einen wichtigen Meilenstein dar, um die Lücke zwischen hochpräzisen Labormessungen und der alltagstauglichen Erfassung von Bewegungsdaten durch Consumer-Wearables zu schließen.