Auswertung der General Movements

General Movements sind spontane Bewegungsmuster bei Säuglingen im Alter von 3 bis 5 Monaten. Anormale, fehlende oder sporadische Bewegungen sind mit einem hohen Risiko späterer neurologischer Dysfunktion (insb. Zerebralparese) verbunden. Gleichzeitig lässt das Auftreten von normalen Bewegungsweisen mit hoher Wahrscheinlichkeit auf eine unauffällige neurologische Weiterentwicklung von Kindern schließen. Aus diesen Gründen ist die Detektion und die Klassifikation von General Movements bei Säuglingen enorm wichtig, damit ggf. eine passende Intervention frühzeitig eingeleitet werden kann.

Wir entwickeln in enger Zusammenarbeit mit Prof. Ute Thyen (Leiterin der Neuropädiatrie und des Sozialpädiatrischen Zentrums, Universitätsklinikum Schleswig-Holstein in Lübeck) eine lernbasierte Mustererkennungsplattform, die die General Movements-Untersuchung mithilfe von Algorithmen automatisieren soll. Als Dateninput nutzen wir dafür Aufnahmen einer normalen (RGB) Videokamera, einer Tiefenkamera (Microsoft Kinect oder geeignetes Smartphone) sowie von Sensoren (z.B. ein Beschleunigungsmesser), die in Kleidung eingebaut sind. Dem lernbasierten Ansatz der Mustererkennung folgend werden die Klassifikationsalgorithmen der Plattform mit Sensordaten trainiert, die von den medizinischen ExpertInnen unseres Konsortiums hinsichtlich General Movements manuell ausgewertet werden. Die Ergebnisse der automatisierten Erkennung und Klassifikation der Bewegungsmuster sollen den behandelnden ÄrztInnen vor Ort mithilfe einer App präsentiert und ggf. telemedizinisch in eine spezialisierte, medizinische Einrichtung übertragen werden. Ein weiteres wichtiges Ziel für uns ist außerdem, die Verfügbarkeit dieser Untersuchung signifikant zu verbessern, damit sie flächendeckend (auch in ländlichen Regionen) zugänglich ist.

Methodologisch arbeiten wir in diesem Kontext an drei Mustererkennungsansätzen. Erstens untersuchen wir den Einsatz von Klassifikationsverfahren, die auf manuell ausgewählten Merkmalsvektoren basieren. Zweitens entwickeln wir einen hierarchischen Erkennungsalgorithmus, der die Klassifikation zunächst entlang der von den medizinischen ExpertInnen genutzten Einschätzungskriterien (complexity, variation, fluency) separat voneinander durchführt und erst zum Schluss die Ergebnisse fusioniert. Drittens implementieren wir ​Deep Learning​-Algorithmen für die Erkennung der General Movements.

Ansprechpartner

Prof. Dr.-Ing. Marcin Grzegorzek