Viele Menschen sind von Störungen oder Auffälligkeiten in ihrem Gangbild betroffen. Um ihre Therapie zu verbessern, entwickelt die FH St. Pölten Werkzeuge zur wissensgestützten Visualisierung und Analyse von klinischen Gangmessdaten. Ein neues System ermöglicht es, die Daten zu speichern, zu durchsuchen und zu visualisieren. Ziel ist es, die behandelnden Therapeuten optimal zu unterstützen. Sie sollen künftig effizienter arbeiten und das Wissen rund um Gangstörungen besser vernetzen können.
Um dieses Ziel zu erreichen, haben die beiden Institute für Gesundheitswissenschaften und Creative\Media/Technologies der FH St. Pölten im Rahmen eines Projektes mit Zusammenarbeit mit klinischen Ganganalyse-Experten zusammengearbeitet. Im Rahmen dieser Zusammenarbeit haben sie das neuartiges Visual-Analytics-System „KAVAGait“ (Knowledge-Assisted Visual Analytics for Clinical Gait Analysis) entwickelt. Damit können Therapeuten komplexe Daten aus der klinischen Ganganalyse speichern, visualisieren, überprüfen und mit anderen Daten vergleichen.
Wertvolle Infos für andere Behandelnde
„Das System umfasst innovative und interaktive visuelle Schnittstellen, die auf Basis der Bedürfnisse von Behandelnden entwickelt wurden“, erklärt Wolfgang Aigner, Leiter des Instituts für Creative\Media/Technologies an der FH St. Pölten. Eine Datenbank ermögliche darüber hinaus die Speicherung von implizitem Wissen der Therapeutinnen und Therapeuten. „So können wertvolle Informationen für andere Behandelnde zur Verfügung gestellt und der Prozess der klinischen Entscheidungsfindung maßgeblich unterstützt werden“, so Aigner.
Zusammenspiel Mensch-Maschine
KAVAGait ist eine übergreifende Initiative der beiden Forschungsprojekte „IntelliGait “ und „KAVA-Time” der FH St. Pölten. IntelliGait erforscht intelligente Gangmusteranalysen für die Erkennung von Gangstörungen. Im Rahmen von KAVA-Time wurden Methoden zur besseren Analyse und visuellen Aufbereitung von Daten entwickelt. Entscheidend dabei ist die Zusammenarbeit zwischen Mensch und Maschine. „Mit Visual Analytics lässt man Computer das tun, was sie am besten können – zum Beispiel Cluster in großen Datenmengen herauszufinden. Doch der Mensch ist besser im Erkennen von visuellen Mustern und im Umgang mit Unsicherheiten und Widersprüchen“, erläutert Aigner. Durch die Aufbereitung von Daten per Computer können aus den dargestellten optischen Mustern einfach Informationen extrahiert werden. Bei einer unübersichtlichen Sammlung der Daten hingegen sind solche Infos nur schwer zu entdecken und können dadurch leicht übersehen werden.
KAVAGait soll Ende Oktober im Rahmen der Konferenz IEEE VIS in Berlin einem Fachpublikum präsentiert werden. Der Artikel zu dem System ist im wissenschaftlichen Journal IEEE Transactions on Visualization and Computer Graphics erschienen und #steht online zur Verfügung.