Entdeckungsreise Technologie

Wie viel Wissenschaft steckt hinter AIMO?

AIMO hat einen hohen Anspruch an Wissenschaftlichkeit und ist eng mit Forschung verbunden. Das zeigt sich nicht nur in Publikationen sondern bereit in der Gründung von AIMO. Von Anfang an wollten wir bei AIMO Vertrauen schaffen zum Bewegungs-Scan und Score. 

Was ist unser Anspruch? Wir wollen Thought-Leader in unserer Branche sein. Dafür arbeiten wir eng mit Partnern aus der Wissenschaft zusammen.  Von KI über Schmerz und Ethik setzen wir auf exzellente Experten. 

Entdeckung: Was kann der AIMO Bewegungsscan und was sagt der Score über deine Bewegung aus?

Durch den AIMOTM Bewegungsscan und Score werden momentane Bewegungsdysfunktionen und muskuläre Dysbalancen erkannt. Das Ausführen der Überkopfkniebeuge gibt dabei Aufschluss über die folgenden Körperbereiche:

  • Schultern und Nacken
  • Wirbelsäule
  • Hände und Arme
  • Hüfte und Oberschenkel
  • Knie und Unterschenkel
  • Fuß– und Sprunggelenk

Darauf aufbauend berechnet AIMO den individuellen Bewegungsscore. Dies geschieht durch das Vergleichen mit der Idealbewegung. Möglich ist das durch eine trainierte künstliche Intelligenz. Ein Idealscore wären entsprechend 100%. Je nach Bewegungsausführung erhalten die meisten AIMO Nutzer anfangs einen Score von ca. 54%. Das liegt unter anderem auch daran, dass diese Bewegung für viele ungewohnt ist und die einzelnen Bewegungssequenzen entsprechend nicht fließend ineinander übergehen. Oftmals sieht man Ausweichbewegungen, die von der Idealbewegung abweichen. Solche Ausweichbewegungen können zum Beispiel sein:

  • Bewegung des Knies nach innen oder außen
  • Anheben der Schulter
  • Nach vorne fallen des Armes
  • Kniebeuge nicht tief genug ausführbar
  • Abheben der Fersen
  • Starkes vorlehnen während der Bewegung
  • Nach vorne schieben des Kopfes
  • Fuß dreht sich nach außen
  • Fuß flacht ab
  • Unterer Rücken wölbt sich nach innen oder außen
  • Körpergewicht stark nach vorn verlagert
  • Körper verlagert sich nach links oder rechts

In der App kannst du dir nach jedem Scan deine Bewegungsausführung noch einmal in ruhe anschauen. Damit erkennst du nicht nur deine eigenen Schwachstellen, sondern verbesserts auch deine Körperwahrnehmung durch die Spiegelung deiner Bewegung.

Der Score nimmt also eine Bewertung der allgemeinen funktionalen Bewegungsqualität vor. Dein Bewegungsmuster setzt sich also aus der Kombination und Ausprägung deiner Ausweichbewegungen zusammen. Damit du nicht nur deine Potenziale aufgezeigt bekommst, sondern auch verstehst, was in deinem Körper vor sich geht, erklären wir mögliche Ursachen. Es ist uns wichtig, dass unsere Kunden verstehen, warum ein entsprechendes Trainingsprogramm zusammengestellt wird.

Wenn du mehr darüber wissen möchtest, probiere es doch am besten direkt aus.

Lade dir AIMOTM herunter, scanne deine Bewegung und starte mit deinem individuellen Training. 

Die Anfänge des AIMO™ Bewegungsscans

Auch AIMO hat einmal klein angefangen. Unsere ersten Bewegungs-Scans wurden allerdings mit ziemlich großen Aufbauten performt. Die ersten Scan-Stationen, bestehend aus einer externen 3D-Kamera und einem großen Bildschirm, haben wir bereits 2018 auf Fachmessen präsentiert. Bevor unserem engagierten KI-Team 2020 der Durchbruch gelang und AIMO mobil wurde, haben wir unsere Algorithmen mit 3D-Kameras trainiert und große Fortschritte in der Digitalisierung der Analyse menschlicher Bewegungen gemacht. In dieser Zeit haben wir, gemeinsam mit unseren Spezialisten für Künstliche Intelligenz eine Vielzahl an Experimenten und wissenschaftlichen Studien durchgeführt. Diese wurden im Rahmen internationaler Fachkonferenzen veröffentlicht und zeigen heute das stetige Voranschreiten der AIMO™ Technologie und die großen Erfolge unseres Teams. 

Wir möchten einen Einblick geben in die Entwicklungen von AIMO und die unterschiedlichen Entwicklungsschritte, die AIMO bisher durchlaufen ist. 

1. Qualitätsmodelle vom Kern her betrachtet: 

Interaktive Visualisierung von Softwaremetriken mit Hilfe mehrdimensionaler Wahrscheinlichkeitsverteilung.

Einer der Autoren dieses bereits 2018 erschienenen Artikels ist Informatikprofessor Welf Löwe, der seit vielen Jahren eng mit AIMO zusammenarbeitet. Der Aufsatz wurde im Rahmen der internationalen VISSOFT Konferenz (IEEE Working Conference on Software Visualization) in Madrid veröffentlicht.

Er diskutiert die Gesamtqualität von Software, die sich aus unterschiedlichen Qualitätsaspekten zusammensetzt. Dieses Problem galt es auch bei AIMO™ zu lösen: die Gesamtqualität einer Bewegung setzt sich aus der Qualität einzelner Bewegungsteile und der jeweils beteiligten Körperteile zusammen. 

Im Allgemeinen kann die Qualität hierarchisch in Aspekte zerlegt werden, die durch verschiedene direkte und indirekte Metriken bewertet werden können. Umgekehrt werden Qualitätsaspekte zusammengefasst, um die Qualität eines gesamten Systems zu bewerten. 

Unterschiedliche Qualitätsaspekte werden mit unterschiedlichen Metriken erfasst und jede dieser Metriken kann eine andere Interpretation, Skala, einen anderen Wertebereich oder eine andere Messmethode aufweisen. Das automatische Zusammenfassen (Aggregieren) dieser Metriken ist dann schwierig. Um unterschiedliche Aggregationsmethoden zu untersuchen und zu vergleichen, stellen die Autoren ein Werkzeug vor, mit dem Gesamtqualität, Qualitätsaspekte und Metriken visualisiert werden können. 

Die Autoren schlagen einen Ansatz zum Aggregieren dieser Metriken und Qualitätsaspekten vor, der auf der Verteilung von (multidimensionalen) Metriken basiert. Durch gemeinsame Visualisierungen dieser Verteilungen können Benutzer die Qualitätsmetriken von Systemen und ihrer Komponenten untersuchen und vergleichen, sowie Muster, Korrelationen und Anomalien erkennen. Darüber hinaus ist es möglich, gemeinsame Eigenschaften und Fehler zu identifizieren, da der vorgeschlagene Visualisierungsansatz umfangreiche Interaktionen für visuelle Abfragen multidimensionaler Daten bietet. 

Der Ansatz wird in zwei Anwendungsfällen angewendet und validiert. Diese basieren auf 30 realen technischen Dokumentationsprojekten mit 20.000 XML-Dokumenten und einem in Java geschriebenen Open Source-Projekt mit 1.000 Klassen. Die Ergebnisse zeigen, dass der vorgeschlagene Ansatz einem Analysten ermöglicht, Ursachen für schlechte oder gute Softwarequalität zu erkennen.

Der Visualisierungsansatz ist jedoch nicht auf Softwarequalität beschränkt und wurde bereits erfolgreich auf die Visualisierung von Bewegungsqualität und ihrer Aspekte übertragen.

Mehr dazu gibt es hier:

Ulan, M., S. Hönel, R. M. Martins, M. Ericsson, W. Löwe, A. Wingkvist and A. Kerren (2018b). Quality Models Inside Out: Interactive Visualization of Software Metrics by Means of Joint Probabilities. 2018 IEEE Working Conference on Software Visualization (VISSOFT): pp 65-75.  

2. Einführung von Qualitäts-Modellen auf Basis von Wahrscheinlichkeiten

Ein Ansatz zur mathematischen Definition von Qualitätsmodellen wurde im Jahr 2018 auf der internationalen Konferenz für Software-Engineering in Göteborg vorgestellt. Einer der Autoren ist der Informatikprofessor Welf Löwe, der seit vielen Jahren eng mit AIMO zusammenarbeitet. 

In diesem Artikel präsentieren die Autoren eine mathematische Definition von sogenannten Qualitätsmodellen basierend auf Wahrscheinlichkeiten mehrdimensionaler Verteilungen von Metriken. Sie veranschaulichen ihren Ansatz anhand eines Qualitätsmodells mit 30 Standardmetriken.

Qualitätsmodelle fassen mehrere beobachtete Metriken zu einer gemeinsamen Zielmetrik zusammen. Jede einzelne beobachtete Metrik hat ihre eigene Interpretation, Skala und Werteverteilung. Deshalb ist nicht zu erwarten, dass ein einfaches Zusammenfügen von beobachteten Metriken, z.B. durch Summation, zu einer interpretierbaren Zielmetrik und damit zu einer verlässlichen Entscheidungsgrundlage führt. Das Zusammenfassen von beobachteten Metriken muss mathematisch korrekt definiert werden und interpretierbar sein. 

Die Ergebnisse zeigen einerseits, dass Metriken im Allgemeinen nicht unabhängig sind, da sie jeweils verschiedene aber korrelierte Qualitätsaspekte messen. Sie zeigen aber auch, dass ein sauber definiertes und interpretierbares Qualitätsmodell entworfen werden kann. 

Mehr dazu gibt es hier:

Ulan, M., W. Löwe, M. Ericsson and A. Wingkvist (2018a). Introducing quality models based on joint probabilities. 40th International Conference on Software Engineering: Companion Proceedings, ICSE 2018, Gothenburg, Sweden: pp 216-217.

3. Datengesteuerte Bewertung menschlicher Bewegungen

Im Juni 2019 wurde ein Beitrag des AIMO Gründers und Sportwissenschaftlers Danny Dressler, des Informatikprofessors Welf Löwe und des Senior Developers Pavlo Liapota auf der Internationalen KES Konferenz mit dem Best Paper Award ausgezeichnet. Der wissenschaftliche Beitrag erschien in der Publikation Smart Innovation, Systems and Technologies im Springer Verlags. 

Der Beitrag beschreibt die automatisierte Beurteilung von Muskel-Skelett-Insuffizienzen anhand eines datengestützten Bewegungstests. 

Die Qualitätsanalyse menschlicher Bewegungen findet bereits Anwendung im Hochleistungssport und in der Diagnose und Therapie von Schwächen im muskuloskelettalen Bereich. Die Autoren beschreiben fünf rein datengesteuerte Bewertungsmethoden für beliebige menschliche Bewegungen mit kostengünstiger 3D-Sensortechnologie. Sie bewerten deren Genauigkeit, indem sie diese mit einer standardisierten Bewertungsmethode für tiefe Kniebeugen vergleichen, die auf der Bewertung menschlicher Experten basiert. Sie erläutern die datengesteuerte Methode, die eine hohe Übereinstimmung mit dieser standardisierten Bewertungsmethode aufweist und dabei wenig Fachwissen über die menschliche Bewegung und kein Fachwissen über die Bewertungsmethode selbst erfordert. Sie stellen außerdem fest, dass die digitalisierte Methode eine effektive und effiziente, automatische und quantitative Bewertung beliebiger menschlicher Bewegungen ermöglicht. 

Mehr dazu gibt es hier:

Dressler D, Liapota P, Löwe W. Data Driven Human Movement Assessment. In: Czarnowski I, Howlett R, Jain L (eds.). Proceedings of the 11th KES International Conference on Intelligent Decision Technologies (IDT): Smart Innovation, Systems and Technologies Series. Singapore. Springer: 2019 vol. 143. doi: 10.1007/978-981-13-8303- 8_29

4. Auf dem Weg zu einer automatisierten Beurteilung muskuloskelettaler Einschränkungen

Auch dieser Aufsatz erschien im Juni 2019 in der Publikation Smart Innovation, Systems and Technologies im Springer Verlags. Der Beitrag des AIMO Gründers und Sportwissenschaftlers Danny Dressler, des Informatikprofessors Welf Löwe und des Senior Developers Pavlo Liapota stellt eine Methode zur quantitativen Bewertung menschlicher Bewegungen vor. 

Der hochkomplexe Algorithmus, der für diese Methode entwickelt wurde, ist die Grundlage für die einzigartige AIMO™ Technologie.

Zur Aufzeichnung menschlicher Bewegungen haben die Forscher kostengünstige 3D-Sensortechnologie eingesetzt. Um die Genauigkeit der Methode zu messen, wurden die Beurteilungen, die durch die Methode getroffen wurden, mit Bewertungen menschlicher Experten verglichen. 

Die Ergebnisse zeigen, dass die Einschätzungen der vorgestellten Methode und die der menschlichen Experten eine hohe Übereinstimmung aufweisen. Um dies zu erreichen, wurde ein neuartiger Algorithmus entwickelt, der für beliebige Zeitreihen funktioniert. 

Mehr dazu gibt es hier:

Dressler D., Liapota P, Löwe W. Towards an Automated Assessment of Musculoskeletal Insufficiencies. In: Czarnowski I., Howlett R., Jain L. (eds) Intelligent Decision Technologies 2019. Smart Innovation, Systems and Technologies, 2019. Singapore. Springer; 2019 vol. 142 p. 251-61. Doi: 10.1007/978-981-13-8311-3_22

5. Der Effekt maschineller Lernansätze bei der Beurteilung menschlicher Bewegungen

Dieser Artikel wurde 2019 auf der 11. Internationalen e-Health Konferenz in Portugal vorgestellt. Einer der Autoren ist der Informatikprofessor Welf Löwe, mit dem wir seit vielen Jahren eng zusammenarbeiten. 

In dieser Zusammenarbeit entstanden auch die einzigartigen Algorithmen, die heute unter anderem zur Berechnung des AIMO™ Bewegungs-Scores genutzt werden. 

Die Grundlage der Entwicklung dieser Algorithmen sind die 3D-Sensortechnologie und maschinelle Lernansätze. Diese ermöglichen es, Modelle für die automatisierte Bewegungsbewertung zu erstellen.  

Im Rahmen dieses Artikels untersuchen die Autoren den Effekt unterschiedlicher Ansätze des maschinellen Lernens auf die Genauigkeit der Bewertung menschlicher Bewegungen.

Als Ergebnis stellt sich heraus, dass maschinelles Lernen basierend auf sogenannten „Random Forest“ Modellen in diesem Zusammenhang am besten geeignet sind. Da die Ergebnisse nicht auf den Bewegungsspezifikationen beruhen, können sie dazu beitragen, die Leistung der automatisierten Beurteilung menschlicher Bewegungen im Allgemeinen zu verbessern.

Mehr dazu gibt es hier:

Hagelbäck J, Liapota P, Lincke A, Löwe W. The Performance of some Machine Learning Approaches in Human Movement Assessment. In: Macedo M, Rodrigues L (eds.). Proceedings of the 13th Multi Conference on Computer Science and Information systems (MCCSIS). Porto, Portugal. IADIS Press; 2019 p. 35-42. ISBN: 978-989-8533-89-0

6. Varianten der dynamischen Zeitanpassung (Time Warping) und ihr Effekt auf die Beurteilung menschlicher Bewegungen

Dieser Aufsatz entstand aus der Zusammenarbeit der Linnaeus Universität mit dem schwedischen Softwareentwicklungs-Unternehmen Softwerk und wurde 2019 bei der 21. Konferenz für Künstliche Intelligenz in Las Vegas vorgestellt. 

Die einzigartigen Algorithmen, die heute Grundlage des AIMO™ Bewegungsscans sind, entstanden unter der wissenschaftlichen Begleitung der Linnaeus Universität und der professionellen Arbeit von Softwerk. Die Entwicklung begann mit der Erforschung und des Einsatzes von 3D-Sensortechnologie zur Bewertung menschlicher Bewegungen. 

Basis dieser Forschungsarbeit sind maschinelle Lernansätze. Diese ermöglichen es, Modelle für die automatisierte Bewegungsbewertung zu erstellen. Dabei werden die von menschlichen Experten getroffenen Aussagen über die Qualität einer Bewegung genutzt, um die Modelle zu trainieren. Durch eine große Anzahl an bewerteten Bewegungsdaten, lernen die Algorithmen und können die Bewegung künftig automatisiert, ohne die Expertenaussagen bewerten. 

Die Wissenschaftler und Autoren dieses Artikels untersuchten die Auswirkungen der Sequenzausrichtung auf Genauigkeit und Reaktionszeit der Bewegungsbewertung. Dabei wird der Einfluss von Varianten der dynamischen Zeitanpassung (Dynamic Time Warping – DTW) auf die Genauigkeit der Bewertungsbeurteilung analysiert. 

Die Ergebnisse zeigen, dass ein automatisiertes Abschneiden von Frames, die nicht zur Bewegung gehören (mit Hilfe einer DTW–Variante), gefolgt von einer Ausrichtung der ausgewählten Frames der Bewegungen (basierend auf einer anderen DTW–Variante) die ursprüngliche DTW Ansätze übertreffen.

Da diese Ergebnisse unabhängig vom ausgewählten Lernansatz sind, können sie auch helfen, die Leistung automatisierter Bewegungsbewertungen im Allgemeinen zu verbessern. 

Mehr dazu gibt es hier:

Hagelbäck, J., P. Liapota, A. Lincke and W. Löwe (2019b). Variants of Dynamic Time Warping and their Performance in Human Movement Assessment. The 21st Int’l Conf on Artificial Intelligence co-located with The 2019 World Congress in Computer Science, Computer Engineering, and Applied Computing (CSCE’19). Las Vegas, Nevada, USA.

7. Zur Kompatibilität unterschiedlicher 3D-Kameratechnologien

Im Rahmen des Weltkongresses für Informatik, Computertechnik und angewandtes Rechnen erschien 2019 ein Artikel über die Nutzung von 3D-Sensortechnologie zur Beurteilung menschlicher Bewegungen. Einer der Autoren ist der Computerwissenschaftler und AIMO Mitgründer Eduard Rall. 

Eine wichtige Grundlage der AIMO™ Technologie ist das maschinelle Lernen. Im Rahmen des maschinellen Lernens werden anhand vieler verschiedener Bewegungsdaten Modelle zur automatisierten Bewertung von Bewegungen entwickelt. Wenn eine neue Kameratechnologie nicht mit derjenigen Technologie übereinstimmt, mit der ein Modell gelernt wurde, kann dieses Modell nicht sicher auf diese neue Kameratechnologie übertragen werden. Dann muss ein neues Modell zur automatisierten Bewegungsanalyse für diese Kameratechnologie erstellt werden.

Die Autoren stellen daher eine kostengünstige Methode vor, mit der geprüft werden kann, ob eine bestimmte 3-D-Kameratechnologie mit einer anderen übereinstimmt. Sie wenden die Methode beispielhaft an den Kameratechnologien Kinect, Astra Mini und Real Sense an und stellen fest, dass diese Technologien nicht übereinstimmen. Damit können die Modelle zur Bewegungsanalyse, die beispielsweise für die Kinect-Kamera entwickelt wurden, nicht für die beiden anderen Technologien genutzt werden ohne dabei an Präzision zu verlieren. 

Mit der vorgestellten Methode kann Zeit und Arbeit gespart werden, wenn neue Kameratechnologien in eine bestehende Bewertungsumgebung integriert werden sollen. Die Methode kann dabei auch in anderen Bereichen als der Bewegungsanalyse angewandt werden, da sie unabhängig von Bewegungen und Kameras gültig ist. 

Mehr dazu gibt es hier:

Hagelbäck, J., A. Lincke, W. Löwe and E. Rall (2019c). On the Agreement of Commodity 3D Cameras. The 23rd Int’l Conference on Image Processing, Computer Vision, and Pattern Recognition co-located with The 2019 World Congress in Computer Science, Computer Engineering, and Applied Computing (CSCE’19). Las Vegas, Nevada, USA.  

Artikel

Folge uns