Validation of lower limb joint center localization and kinematics in markerless motion capture during sloped walking

Seit Jahrzehnten verlassen sich Wissenschaftler, die untersuchen, wie sich Menschen bewegen, auf eine Methode, die wie eine hochtechnologische Version eines Verbindungsspielers aussieht. Um die Mechanik eines Gehschritts zu verstehen, befestigen Forscher kleine reflektierende Marker auf der Haut einer Person und nutzen Kameras, um deren Positionen zu verfolgen. Diese Technik, bekannt als optische Motion Capture, gilt seit langem als Goldstandard für die Messung von Gelenkwinkeln und Bewegungsmustern. Sie hat jedoch einen erheblichen Mangel: Die Haut bewegt sich unabhängig von den darunter liegenden Knochen. Während Muskeln bei einem Schritt kontrahieren und sich verschieben, gleiten die Marker auf der Oberfläche, was ein Datenbild erzeugt, das nicht perfekt mit der tatsächlichen Bewegung des Skeletts übereinstimmt. Dieses Problem, bezeichnet als Weichteilartefakt, wird besonders schwierig zu lösen, wenn eine Person auf steilen Hügeln geht oder komplexe Bewegungen ausführt, da sich die Haut dabei stärker dehnt und wölbt.

In den letzten Jahren ist ein neuer Ansatz entstanden, der ganz ohne die Marker auskommt. Mithilfe fortschrittlicher Computer Vision und Deep Learning analysieren diese markerlosen Systeme Videomaterial, um zu schätzen, wo sich die Gelenke befinden, basierend auf der Form des Körpers selbst. Während diese Technologie verspricht, die Bewegungsanalyse natürlicher und zugänglicher zu machen, sind Wissenschaftler vorsichtig hinsichtlich der Frage, wie gut sie unter Belastung standhält. Es bleibt die Frage, ob diese digitalen Schätzungen die Präzision der traditionellen, markerbasierten Systeme erreichen können, insbesondere wenn der Körper beim Gehen auf steilen Hängen unter Spannung steht.

Ein Forschungsteam in Japan setzte sich zum Ziel, die Grenzen dieser neuen Technologie zu testen, indem es sie einem strengen Test auf einem Laufband unterzog. Sie rekrutierten vierundzwanzig gesunde Erwachsene und baten sie, in fünf verschiedenen Bedingungen mit einem stetigen Tempo zu gehen: flachem Boden, moderaten Aufwärts- und Abwärtssteigungen sowie steilen Aufwärts- und Abwärtssteigungen. Um einen fairen Vergleich zu gewährleisten, trugen die Teilnehmer eng anliegende Anzüge, die die lose Kleidung minimierten, die die Kameras verwirren könnte, und sie gingen, während sie gleichzeitig von zwei verschiedenen Systemen aufgezeichnet wurden. Ein System nutzte die traditionellen reflektierenden Marker und Infrarotkameras, während das andere acht Standard-Videokameras verwendete, um die Bewegung ohne jegliche physische Anbringungen zu erfassen. Die Forscher nutzten anschließend leistungsstarke Software, um die exakte Position der Hüft-, Knie- und Sprunggelenke sowie die Winkel der Beine für jeden Moment des Gehzyklus zu berechnen.

Die Ergebnisse zeichneten ein Bild von sowohl bemerkenswertem Erfolg als auch spezifischen, vorhersehbaren Einschränkungen. Als die Forscher die tatsächlichen Positionen der Gelenkzentren im dreidimensionalen Raum betrachteten, arbeitete das markerlose System mit außergewöhnlicher Präzision. Die geschätzten Positionen der Hüften, Knie und Sprunggelenke stimmten fast perfekt mit dem traditionellen System überein, unabhängig davon, ob die Person auf flachem Boden oder einer steilen fünfzehnprozentigen Steigung ging. Dies deutet darauf hin, dass die Computer-Algorithmen außergewöhnlich gut darin sind, das Zentrum eines Gelenks zu finden, selbst wenn sich der Körper schnell bewegt oder die Sicht durch andere Körperteile teilweise blockiert ist.

Die Geschichte änderte sich jedoch, als die Forscher die Winkel der Gelenke untersuchten. Während die allgemeine Form der Bewegungskurven zwischen den beiden Systemen sehr ähnlich war, gab es konsistente Unterschiede in der Art und Weise, wie die Winkel gemelert wurden. Für die Hüfte und das Knie bei Vorwärts- und Rückwärtsbewegungen stimmten die beiden Systeme eng überein, aber das markerlose System meldete konsistent eine leicht andere Ausgangsneigung des Beckens. Diese kleine, konstante Abweichung bedeutete, dass zwar das Bewegungsmuster korrekt war, die absoluten Zahlen jedoch verschoben waren. Die Unterschiede wurden bei den Seitwärts- und Drehbewegungen der Gelenke deutlicher. Das traditionelle System, das auf Markern basiert, die an der Haut kleben, zeigte mehr erratische Schwankungen, was wahrscheinlich darauf zurückzuführen war, dass die Haut über den Knochen glitt. Im Gegensatz dazu erzeugte das markerlose System glattere Daten, doch diese Glätte maskierte manchmal die wahren, komplexen Bewegungen der Knochen, was zu erheblichen Unstimmigkeiten in der Frage führte, wie stark die Hüfte und der Knöchel rotierten oder seitlich kippten.

Der auffälligste Unterschied trat auf, als die Teilnehmer bergab gingen. In dieser Situation müssen die Muskeln härter arbeiten, um den Abstieg des Körpers zu kontrollieren und den Aufprall beim Landen abzufangen. Die Forscher stellten fest, dass die Unstimmigkeit zwischen den beiden Systemen beim Bergablaufen zunahm, insbesondere bei der Seitwärtsbewegung der Hüfte. Sie vermuten, dass die intensive Muskelaktivität und der Aufprall bei der Landung die Haut am Oberschenkel so beeinflussten, dass sie sich auf eine Weise bewegte und vibrierte, die das traditionelle Markersystem verwirrte, während das markerlose System, das auf durchschnittlichen Bewegungsmustern trainiert wurde, diese extremen Variationen glättete. Dies deutet darauf hin, dass die neue Technologie zwar robust genug ist, um Gelenkpositionen in steilem Gelände zu verfolgen, die spezifischen Winkel, die sie für Dreh- und Seitwärtsbewegungen berechnet, jedoch mit besonderer Vorsicht interpretiert werden müssen, insbesondere wenn der Körper unter hoher körperlicher Belastung steht.

Letztendlich bestätigt die Studie, dass markerlose Motion Capture ein leistungsfähiges Werkzeug zur Analyse von Bewegungen in anspruchsvollen Umgebungen ist, in denen traditionelle Methoden aufgrund von Ausrüstung oder Verdeckung Schwierigkeiten haben könnten. Die Technologie kann zuverlässig verfolgen, wo sich die Gelenke befinden, was sie für Feldstudien und komplexe Aufgaben geeignet macht. Dennoch dienen die Ergebnisse als Erinnerung daran, dass die von ihr produzierten Zahlen für Gelenkwinkel nicht identisch mit denen der älteren, markerbasierten Methoden sind. Wissenschaftler und Kliniker, die diese neue Technologie verwenden, werden in der Lage sein müssen, diese systematischen Unterschiede zu berücksichtigen, insbesondere wenn sie die Dreh- und Kippbewegungen des Körpers bei anspruchsvollen Aktivitäten wie dem Gehen einen steilen Hügel hinunter analysieren.