Platz 3 beim Best Paper Award
Die Europäische Gesellschaft für Gang- und Bewegungsanalyse, im Englischen kurz ESMAC (European Society for Movement analysis in Adults and Children) ist einer der wichtigsten Konferenz im Bereich der klinischen Ganganalyse in Europa. Dieses Jahr fand die ESMAC in Athen statt, bei der die FH St. Pölten gleich mit mehreren Beiträgen vertreten war.
Djordje Slijepcevic vom ICMT und Bernhard Dumphart vom IGW und dem CDHSI durften sich über viel Aufmerksamkeit zu ihren Vorträgen rund um maschinelles Lernen in der Ganganalyse freuen. Wie überall in der Medizin, gewinnen Methoden des maschinellen Lernens auch in der klinischen Ganganalyse mehr und mehr an Bedeutung. Die Arbeiten rund um die Themen „Explainable AI“ und „automatische Mustererkennung“ in der Ganganalyse können durchaus als wegbereitend in dieser Community angesehen werden.
Besondere Auszeichnung
Ein weiteres Highlight ist wohl der dritte Platz beim Best Paper Award. Hier haben sich Brian Horsak und sein Team besonders über die Auszeichnung gefreut.
Die prämierte Arbeit hat untersucht wie zwei simple Smartphones, maschinelles Lernen, cloud computing, und komplexe muskuloskelettal Simulationen das Ganganalyselabor quasi zu den Patient*innen bringt, anstelle (wie üblicherweise) die Patient*innen in das Ganglabor. Ein hoch innovativer Ansatz der v.a. in Zukunft für großangelegt Feldstudien sehr spannend sein könnte.
Das Großartige an diesem Erfolg ist aber vor allem die Tatsache, dass das Paper aus einer Doppelmasterthesis des Weiterbildungslehrgangs „Ganganalyse und -rehabilitation“ der FH St. Pölten entstanden ist, die beide Brian Horsak betreut hat. Sozusagen ein Paradebeispiel für eine gelungene Verschränkung von Lehre und Forschung. Die Arbeit wurde übrigens auch erst kürzlich gemeinsam mit den beiden Absolventinnen Kerstin Lauer und Anna Eichmann im Journal of Biomechanics veröffentlicht.
Die beiden Vorträge von Djordje Slijepcevic und Bernhard Dumphart
- Dumphart, B., Slijepcevic, D., Kranz, A., Zeppelzauer, M., & Horsak, B. (2023). Is it time to re-think the appropriateness of autocorrelation for gait event detection? Preliminary results of an ongoing study. Gait & Posture, 106, S50–S51. https://doi.org/10.1016/j.gaitpost.2023.07.064
- Slijepcevic, D., Horst, F., Simak, M., Schöllhorn, W. I., Zeppelzauer, M., & Horsak, B. (2023). Towards personalized gait rehabilitation: How robustly can we identify personal gait signatures with machine learning? Gait & Posture, 106, S192–S193. https://doi.org/10.1016/j.gaitpost.2023.07.232
Das prämierte Paper
- Horsak, B., Eichmann, A., Lauer, K., Prock, K., Krondorfer, P., Siragy, T., & Dumphart, B. (2023). Concurrent validity of smartphone-based markerless motion capturing to quantify lower-limb joint kinematics in healthy and pathological gait. Journal of Biomechanics, 159, 111801. https://doi.org/10.1016/j.jbiomech.2023.111801
Weitere Informationen
