Die Ganganalyse spielt eine entscheidende Rolle für die Gesundheit, da sie verschiedene Aspekte des menschlichen Gehens misst und beschreibt. Dazu gehören Schrittlänge (kombiniert und einzeln), Schrittweite, Kadenz, Geschwindigkeit und mehr. Die Ganganalyse untersucht das Bewegunsmuster des Gehens, einer Lokomotionsbewegung, die aus einer Abfolge einzelner, sich wiederholender Gangzyklen besteht. Ein einzelner Gangzyklus besteht aus zwei Hauptphasen, der Schwung- und der Standphase. Die Ganganalyse trägt zur Verbesserung der sportlichen Leistung, zur Bewegungserziehung von Kindern, zum Schutz vor Verletzungen und zur Rehabilitation von Patienten bei.

Die Standphase umfasst den Zeitraum, in dem der Fuß den Boden berührt, vom Fersenauftritt (HS) bis zum Zehenanheben (TO). Die Schwungphase umfasst den Zeitraum vom Zehenabdruck bis zum Fersenauftritt, in dem das Bein frei nach vorne schwingt.

Unsere Forschungsgruppe hat sich auf die Ganganalyse unter Einbeziehung der Kopfbewegung als Referenz konzentriert. Wir haben Artikel zu verschiedenen Themen veröffentlicht, darunter die Erkennung von Gangereignissen in Echtzeit (Hwang et al., 2018; Hwang et al., 2021), die Korrelation zwischen den Gelenkwinkeln von Kopf und Unterkörper (Hwang & Effenberg, 2022) und die Verwendung von Kopftrajektoriendiagrammen für die Gangsymmetrieanalyse (Hwang & Effenberg, 2021). Es hat sich gezeigt, dass die Kopfschwingung für die Ganganalyse nicht durch Kopfnicken und -rotation beeinträchtigt wird, die beim Gehen und Sprechen auftreten. Darüber hinaus hat unsere Forschung auch die Dynamik der zwischenmenschlichen Kopfbewegung während der Rapportanalyse untersucht (Hwang et al., 2019). Diese Studien wurden mit Daten durchgeführt, die von einer einzigen am Kopf getragenen Inertialmesseinheit (IMU) gewonnen wurden, was eine minimale Sensoreinrichtung erfordert.

Gegenwärtig umfasst unsere Forschung die Deep-Learning-Technologie, insbesondere im Bereich der Gangerkennung. Die Gangerkennung wird zur Identifizierung von Personen sowie zur Erkennung abnormaler oder ungesunder Gangmuster eingesetzt. Die Anwendungen der Gangerkennung erstrecken sich über verschiedene Bereiche wie Sicherheit, forensische Ganganalyse und Rehabilitation. Wir erkennen den Vorteil der Verwendung einfacher Gangmessgeräte und unkomplizierter Ganganalysemethoden für die Sammlung umfangreicher empirischer Daten, was uns motiviert hat, eine umfassende Datenbank mit diesen Daten zu entwickeln. Diese Datenbank wird zahlreiche künftige Anwendungen mit am Kopf getragenen Geräten, wie Ohrstöpseln und XR-Headsets (Extended Reality), erleichtern.

Wissenschaftliche Publikationen unserer Forschungsgruppe zur kopfkinematischen Ganganalyse:

Hwang, T. H. & Effenberg, A. O. (2024). Simple Head Trajectory Measurement for Deep Gait Recognition. IEEE Sensors Journal. In press.

Hwang, T., & Effenberg, A. (2022). Gait Analysis: Head Vertical Movement Leads to Lower Limb Joint Angle Movements. Digest of Technical Papers – IEEE International Conference on Consumer Electronics, 2022-January. https://doi.org/10.1109/ICCE53296.2022.9730350

Reh, J., Schmitz, G., Hwang, T. H., & Effenberg, A. O. (2022). Loudness affects motion: Asymmetric volume of auditory feedback results in asymmetric gait in healthy young adults. BMC Musculoskeletal Disorders, 23:586, 1-13. https://doi.org/10.1186/s12891-022-05503-6.

Hwang, T. H., & Effenberg, A. O. (2021). Head Trajectory Diagrams for Gait Symmetry Analysis Using a Single Head-Worn IMU. Sensors 2021, Vol. 21, Page 6621, 21(19), 6621. https://doi.org/10.3390/S21196621

Hwang, T. H., Reh, J., Effenberg, A. O., & Blume, H. (2018). Real-Time Gait Analysis Using a Single Head-Worn Inertial Measurement Unit. IEEE Transactions on Consumer Electronics, 64(2), 240–248. https://doi.org/10.1109/TCE.2018.2843289

Hwang, T.-H., Reh, J., Effenberg, A. O., Blume, H., Hwang, T.-H., Reh, J., Effenberg, · A O, & Blume, · H. (2021). Validation of Real Time Gait Analysis Using a Single Head-Worn IMU. EKC 2019 Conference Proceedings, 87–97. https://doi.org/10.1007/978-981-15-8350-6_8

Paulich, M., Schepers, M., Rudigkeit, N., & Bellusci, G. (2018). Xsens MTw Awinda: Miniature Wireless Inertial-Magnetic Motion Tracker for Highly Accurate 3D Kinematic Applications. Retrieved April 18, 2023, from www.xsens.com,

Ribera D’alcala’, E., Voerman, J. A., Konrath, J. M., & Vydhyanathan, A. (2021). Xsens DOT Wearable Sensor Platform White Paper.