• search hit 3 of 5
Back to Result List

Performance monitoring and evaluation of patients after stroke in free-living using wearable motion sensors and digital biomarkers

Bewegungsüberwachung und Evaluierung von Patienten nach Schlaganfall im Alltag mit körpergetragenen Sensoren und digitalen Biomarkern

Please always quote using this URN: urn:nbn:de:bvb:29-opus4-150614
  • Patients after stroke often face long-term disability due to hemiparesis and thus require rehabilitation. With ageing societies, the stroke incidence is expected to increase, even among people who are in the workforce. Hence, costs for healthcare systems will rise. The current situation in stroke rehabilitation could intensify, more patients require treatment while at the same time a shortage of clinical personnel1 becomes apparent. Wearable motion sensors, including inertial measurement units (IMUs), have the potential to mitigate challenges in stroke rehabilitation and offer great potential for reshaping healthcare. With digital biomarkers derived from wearable sensors, e.g. toPatients after stroke often face long-term disability due to hemiparesis and thus require rehabilitation. With ageing societies, the stroke incidence is expected to increase, even among people who are in the workforce. Hence, costs for healthcare systems will rise. The current situation in stroke rehabilitation could intensify, more patients require treatment while at the same time a shortage of clinical personnel1 becomes apparent. Wearable motion sensors, including inertial measurement units (IMUs), have the potential to mitigate challenges in stroke rehabilitation and offer great potential for reshaping healthcare. With digital biomarkers derived from wearable sensors, e.g. to describe gait parameters or motion intensity, clinicians and patients could be supported during the rehabilitation. For example, objective movement quantification might help clinicians adapting therapies to the individual needs of a patient after stroke. State-of-the-art performance monitoring and evaluation is restricted to guided short-term measurements that follow defined assessment tasks in clinical environments, which are subjectively assessed by clinicians. Remote monitoring and evaluation of patients after stroke in free-living and the potential of wearable sensors is insufficiently addressed in research. Therefore, solutions for continuous and objective performance monitoring and evaluation using wearable motion sensors and algorithms are sought. The aim of this thesis is to devise and evaluate new solutions for longitudinal performance monitoring and evaluation in patients after stroke using algorithms and digital biomarkers, which could be used in freeliving. We test the following hypotheses: 1. IMUs, (machine learning) algorithms, and digital biomarkers are viable for longitudinal performance monitoring in patients after stroke. 2. Motion performance differences in the affected and less-affected upper and lower body-sides can be evaluated during therapies and free-living using IMU data and digital biomarkers. To test the hypotheses, a six month, longitudinal clinical observation study with eleven hemiparetic patients after stroke was implemented. In a novel study design, outpatients were followed by the examiner and more than 620 hours of motion data were recorded and annotated using a smartphone application. In full-day recordings, patients followed their therapy and performed various activities of daily living while wearing six body-worn IMUs. In addition, we used digital twins for personalised movement analyses in two case studies, including athletes and patients after stroke. This thesis includes eight peer-reviewed scientific publications, addressing four specific goals: (1) to review wearable motion sensors and machine learning algorithms for clinical assessment score estimation, (2) to implement activity primitive extraction algorithms for clinical score estimation and trend analysis, (3) to develop and evaluate digital biomarkers for performance analysis, and (4) to investigate digital twins for movement analysis and the evaluation of wearable sensor systems and algorithms. Wearable motion sensors and machine learning algorithms for clinical score estimation were reviewed. The review showed that mainly accelerometers for measurements were deployed and that score estimation algorithms included classification or regression-based machine learning techniques. Rule-based algorithms for activity primitive extraction from continuous sensor data were implemented. We showed that the Extended Barthel Index (EBI) can be estimated with approx. 12% relative error on average using support vector regression and leave-one-participant-out cross-validation. Further, the analysis of activity primitives revealed patient-specific recovery trends. The convergence point (CP), a newly developed digital biomarker for longitudinal, bilateral trend analysis revealed patient-specific recovery trends. In addition, the physical activity (PA) and functional range of motion (fROM) was analysed. The CP, PA, and fROM confirmed that differences in affected and lessaffected upper and lower body can be quantified during rehabilitation, including therapies and free-living. Finally, we present a novel methodology based on biomechanical simulations and motion data synthesis for the systematic evaluation of wearable sensor systems, algorithms, and digital biomarkers using personalised digital twins.show moreshow less
  • Patienten nach einem Schlaganfall sind in vielen Fällen in Ihren Aktivitäten aufgrund einer halbseitigen Körperlähmung eingeschränkt und deshalb auf Rehabilitation angewiesen. Als eine weltweit führende Ursache für Aktivitätseinschränkungen, belasten Schlaganfälle das Gesundheitssystem und generieren steigende Kosten. Durch den demographischen Wandel ist eine Häufung von Schlaganfällen, auch bei Arbeitnehmenden, wahrscheinlich. Die Situation in der Rehabilitation könnte sich verschärfen, da mehr Patienten auf Therapien angewiesen sind, gleichzeitig ein Therapeutenmangel vorliegt. Körpergetragene Bewegungssensoren, sogenannteWearables und digitale Biomarker, die zum Beispiel den GangPatienten nach einem Schlaganfall sind in vielen Fällen in Ihren Aktivitäten aufgrund einer halbseitigen Körperlähmung eingeschränkt und deshalb auf Rehabilitation angewiesen. Als eine weltweit führende Ursache für Aktivitätseinschränkungen, belasten Schlaganfälle das Gesundheitssystem und generieren steigende Kosten. Durch den demographischen Wandel ist eine Häufung von Schlaganfällen, auch bei Arbeitnehmenden, wahrscheinlich. Die Situation in der Rehabilitation könnte sich verschärfen, da mehr Patienten auf Therapien angewiesen sind, gleichzeitig ein Therapeutenmangel vorliegt. Körpergetragene Bewegungssensoren, sogenannteWearables und digitale Biomarker, die zum Beispiel den Gang oder die Bewegungsintensität beschreiben, haben das Potential für personalisierte Bewegungsanalysen in der Rehabilitation. Wearables liefern objektive Messdaten, welche mit Algorithmen verarbeitet werden können, um Therapieempfehlungen für Patienten nach einem Schlaganfall individuell anzupassen. Aktuelle Ansätze zur Bewegungsanalyse nach einem Schlaganfall mitWearables und Algorithmen sind limitiert auf kurze Messungen welche in Kliniken durchgeführt werden. Darüber hinaus müssen Patienten definierten Bewegungsabläufen folgen, welche subjektiv von Therapeuten bewertet werden. Aktuelle Ansätze sind daher für den Einsatz im Alltag nicht geeignet. In dieser Arbeit untersuchen wir neue Lösungsansätze für die Langzeit-Beobachtung und Bewegungsanalyse nach einem Schlaganfall im Alltag und testen folgende Hypothesen: 1. Wearables sind geeignet, um Patienten nach einem Schlaganfall zu überwachen und deren Bewegung mittels Algorithmen and digitalen Biomarkern zu identifizieren und zu quantifizieren. 2. Wearables sind geeignet, um Bewegungen basierend auf Alltagsaktivitäten zu evaluieren und Unterschiede der betroffenen und weniger-betroffenen Körperseite sowie oberer und unterer Extremitäten zu quantifizieren. Um die Hypothesen zu testen, haben wir eine sechsmonatige, longitudinale Beobachtungsstudie mit elf hemiparetischen Patienten nach einem Schlaganfall durchgeführt. In einem neuartigen Studiendesign wurden ambulante Patienten während mehr als 620 Stunden bei der Rehabilitation vom Versuchsleiter begleitet. So konnten Aktivitäten mit Hilfe einer Smartphone-Applikation annotiert werden. In Tagesaufnahmen folgten Patienten Ihren individuellen Therapieprogrammen und Alltagsaktivitäten. Zusätzlich untersuchten wir in dieser Arbeit digitale Zwillinge für die personalisierte Bewegungsanalyse in zwei Fall- Studien, inklusive Athleten und Patienten nach Schlaganfall. Diese Arbeit besteht aus acht begutachteten wissenschaftlichen Publikationen, und verfolgt vier Ziele: 1. Literatur-Recherche zur Evaluierung von körpergetragenen Sensoren für die Bewegungsmessung, sowie Analyse von Algorithmen des Maschinellen Lernens für die Schätzung klinisch relevanter Parameter. 2. Entwicklung von regelbasierten Algorithmen zur Extraktion und Analyse von Aktivitätsprimitiven aus kontinuierlichen Sensordaten. 3. Entwicklung und Evaluierung neuer digitaler Biomarker für Gangund Trendanalysen der betroffenen und weniger-betroffenen Körperseite, inklusive Konvergenzpunkte, physischer Aktivität und Intensität, sowie des funktionalen Bewegungsumfang der Oberarme. 4. Digitalisierung der personalisierten Bewegungsanalyse sowie die systematische Modellierung und Evaluierung von Wearables und Algorithmen mittels biomechanischer Simulationen und Datensynthese. Klassische Bewegungsmessungen in der Rehabilitation beruhen meist auf Beschleunigungssensoren. Für die Schätzung klinischer Parameter wurden häufig Klassifikations- und Regressions-Algorithmen genutzt. Diese Arbeit zeigt, dass Aktivitätsprimitiven aus kontinuierlichen Sensordaten mit regelbasierten Algorithmen extrahiert werden können. Mit maschinellen Lernmethoden, hier Regressions-Algorithmen, lässt sich der Erweiterte Barthel Index schätzen. Zudem zeigten sich patientenspezifische Trends. Konvergenzpunkte basierend auf Gangparameter, wurden als neuartige digitale Biomarker für die bilaterale Gang- und Trendanalyse eingeführt. Zusätzlich konnte mittels statistischer Auswertungen der physischen Therapie- und Alltagsaktivitäten sowie der Beschreibung des Bewegungsumfangs der Oberarme bestätigt werden, dass Unterschiede in beiden Körperseiten quantifiziert werden können. Schliesslich zeigt diese Arbeit neuartige Methoden basierend auf digitalen Zwillingen. Mit Hilfe personalisierten biomechanischen Simulationen und Datensynthese konnte demonstriert werden, dass die Bewegungsanalyse sowie die Evaluierung von Wearables und Algorithmen digitalisiert werden kann.show moreshow less

Download full text files

Export metadata

Additional Services

Share in Twitter Search Google Scholar Statistics
Metadaten
Author:Adrian DerungsORCiD
Persistent identifiers - URN:urn:nbn:de:bvb:29-opus4-150614
Referee:Oliver Amft, Klaus Pfeifer, Paolo Bonato
Advisor:Oliver Amft
Document Type:Doctoral Thesis
Language:English
Year of publication:2020
Date of online publication (Embargo Date):2020/12/09
Publishing Institution:Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)
Granting institution:Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Medizinische Fakultät
Acceptance date of the thesis:2020/11/25
Release Date:2020/12/14
Tag:Algorithm; Artificial intelligence; Digital biomarker; Digital twin; Machine learning; Sensors; Wearables
Length/size:159
Institutes:Medizinische Fakultät
Dewey Decimal Classification:5 Naturwissenschaften und Mathematik / 57 Biowissenschaften; Biologie / 570 Biowissenschaften; Biologie
6 Technik, Medizin, angewandte Wissenschaften / 61 Medizin und Gesundheit / 610 Medizin und Gesundheit
open_access (DINI-Set):open_access
Licence (German):Keine Creative Commons Lizenz - es gelten die Urheber- und Lizenzrechte des Verlags sowie die ggf. mit ihm verhandelten Open-Access-Rechte
Einverstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.