Abschlussarbeit: Locomotion Mode Classification zur Prädiktion von Kniekräften mit Machine Learning - Stuttgart

Arthrose zählt zu den häufigsten degenerativen Gelenkerkrankungen. Eine präzise Schätzung von Kniekräften kann helfen, Belastungen besser zu verstehen und individualisierte Handlungsempfehlungen abzuleiten.

Für Laufbewegungen existiert bereits ein Deep-Learning-Modell (Temporal Convolutional Network), das Kniekräfte aus Beschleunigungssignalen schätzt. Die zugrunde liegenden Daten wurden biomechanisch mit OpenSim validiert. Bei anderen Fortbewegungsformen (z. B. Radfahren) ist die Modellgüte jedoch eingeschränkt.

Ziel der Arbeit ist die Entwicklung einer Locomotion Mode Classification, um belastungsspezifisch geeignete Regressionsmodelle auszuwählen bzw. das bestehende Modell gezielt zu erweitern:

• Definition kniebelastungsrelevanter Lokomotionsmodi

• Entwicklung und Implementierung eines ML-Modells zur Klassifikation von Zeitreihendaten

• Integration der Klassifikation in die bestehende TCN-basierte Regressionspipeline

• Quantitative Evaluation hinsichtlich Genauigkeit, Robustheit und Echtzeitfähigkeit