Filtern
Dokumenttyp
- Wissenschaftlicher Artikel (1)
- Postprint (1)
Gehört zur Bibliographie
- ja (2)
Schlagworte
- digital health (2) (entfernen)
Institut
- Department Sport- und Gesundheitswissenschaften (2) (entfernen)
Hintergrund
Einem Großteil der Bevölkerung gelingt es trotz ausreichenden Wissens um die protektiven Effekte nicht, ausreichende körperliche Aktivität in den Alltag zu integrieren. Digitale Assistenzsysteme könnten hierbei unterstützend eingesetzt werden. Dies setzt jedoch das Interesse potentieller Nutzer voraus.
Methode
In einer Online-Befragung wurden im Juni/Juli 2015 Mitarbeiter und Studierende der Universität Potsdam zum individuellen Ausmaß der sportlichen Aktivität, dem Interesse an elektronischer Trainingsunterstützung und weiteren Parametern befragt.
Ergebnis 1217 Studierende und 485 Mitarbeiter (67,3 bzw. 67,5% Frauen, 26±4,9 bzw. 42,7±11,7 Jahre) nahmen an der Studie teil. Die empfohlene sportliche Aktivität (≥3 Tage bzw. 150 min/Woche) wurde von 70,1% der Mitarbeiter und 52,7% der Studierenden nicht erreicht. Innerhalb dieser Gruppen zeigten 53,2% (Studierende) bzw. 44,2% (Mitarbeiter), unabhängig von Alter, Geschlecht, BMI bzw. Bildungsniveau, Interesse an einer elektronischen Trainingsunterstützung.
Schlussfolgerung
Auch in jüngeren Bevölkerungsgruppen mit hohem Bildungsniveau ist die Mehrzahl der Personen unzureichend körperlich aktiv. Ein Interesse an Trainingsunterstützung besteht in etwa der Hälfte dieser sportlich inaktiven Gruppe. Dies legt den Schluss nahe, dass der personalisierte Einsatz mobiler Assistenzsysteme für die positive Beeinflussung des Lebensstils zunehmend an Bedeutung gewinnen könnte.
Gait analysis is an important tool for the early detection of neurological diseases and for the assessment of risk of falling in elderly people. The availability of low-cost camera hardware on the market today and recent advances in Machine Learning enable a wide range of clinical and health-related applications, such as patient monitoring or exercise recognition at home. In this study, we evaluated the motion tracking performance of the latest generation of the Microsoft Kinect camera, Azure Kinect, compared to its predecessor Kinect v2 in terms of treadmill walking using a gold standard Vicon multi-camera motion capturing system and the 39 marker Plug-in Gait model. Five young and healthy subjects walked on a treadmill at three different velocities while data were recorded simultaneously with all three camera systems. An easy-to-administer camera calibration method developed here was used to spatially align the 3D skeleton data from both Kinect cameras and the Vicon system. With this calibration, the spatial agreement of joint positions between the two Kinect cameras and the reference system was evaluated. In addition, we compared the accuracy of certain spatio-temporal gait parameters, i.e., step length, step time, step width, and stride time calculated from the Kinect data, with the gold standard system. Our results showed that the improved hardware and the motion tracking algorithm of the Azure Kinect camera led to a significantly higher accuracy of the spatial gait parameters than the predecessor Kinect v2, while no significant differences were found between the temporal parameters. Furthermore, we explain in detail how this experimental setup could be used to continuously monitor the progress during gait rehabilitation in older people.