Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Aspekte digitaler Transformation der Justiz Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Lebenswissenschaften 4.0 – Sensorik und maschinelles Lernen in der Bewegungsanalyse

verfasst von : Marion Mundt, Arnd Koeppe, Franz Bamer, Bernd Markert

Erschienen in: Handbuch Industrie 4.0: Recht, Technik, Gesellschaft

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Digitale Methoden der Industrie 4.0, die sich bereits für technische Systeme etabliert haben, können auch auf die Lebenswissenschaften bzw. auf die Biomechanik übertragen werden. In Abb. 1 werden exemplarisch einige computergestützte Verfahren aus der technischen Anwendung auf den Bereich der biologischen Systeme transferiert. Im Detail wird die Überwachung eines Bremssystems und des menschlichen Bewegungsapparats betrachtet.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Operationssaal und Klinik 4.0 – Der OR.NET Ansatz
Nächstes Kapitel Industrie 4.0 im Rahmen von Informationssicherheit und Datenschutz
Literatur
Aljaaf AJ et al (2016) Evaluation of machine learning methods to predict knee loading from the movement of body segments. In: Proceedings of the international joint conference on neural networks, S 5168–73
Ambrose AF, Paul G, Hausdorff JM (2013) Risk factors for falls among older adults: a review of the literature. Maturitas 75(1):51–61
Ardestani MM et al (2014) Human lower extremity joint moment prediction: a wavelet neural network approach. Expert Syst Appl 41(9):4422–4433CrossRef
Aroganam G, Manivannan N, Harrison D (2019) Review on Wearable Technology Sensors Used in Consumer Sport Applications. Sensors 2019:19
Bradley SM, Hernandez CR (2011) Geriatric assistive devices. Am Fam Physician 84(4):405–411
Brandt A, Iwarsson S, Ståhl A (2003) Satisfaction with rollators among community-living users: a follow-up study. Disabil Rehabil 25(7):343–353CrossRef
Damm P et al (2017) Comparison of in vivo measured loads in knee, hip and spinal implants during level walking. J Biomech 51:128–132CrossRef
David S et al (2017) Identification and risk estimation of movement strategies during cutting maneuvers. J Sci Med Sport 20(12):1075–1080CrossRef
David S, Mundt M, Komnik I, Potthast W (2018) Understanding cutting maneuvers – the mechanical consequence of preparatory strategies and foot strike pattern. Hum Mov Sci 62(October):202–210CrossRef
Favre J, Hayoz M, Erhart-Hledik JC, Andriacchi TP (2012) A neural network model to predict knee adduction moment during walking based on ground reaction force and anthropometric measurements. J Biomech 45(4):692–698CrossRef
Findlow AH et al (2008) Predicting lower limb joint kinematics using wearable motion sensors. Gait Posture 28(1):120–126CrossRef
Goulermas JY et al (2005) Regression techniques for the prediction of lower limb kinematics. J Biomech Eng 127(6):1020CrossRef
Goulermas JY et al (2008) An instance-based algorithm with auxiliary similarity information for the estimation of gait kinematics from wearable sensors. IEEE Trans Neural Netw 19(9):1574–1582CrossRef
Hahn ME (2007) Feasibility of estimating isokinetic knee torque using a neural network model. J Biomech 40(5):1107–1114CrossRef
Halilaj E et al (2018) Machine learning in human movement biomechanics: best practices, com-mon pitfalls, and new opportunities machine learning in human movement biomechanics: best practices, common pitfalls, and new opportunities. J Biomech 81:1–11
Jie-han Ngoh K, Gouwanda D, Gopalai AA, Chong Y (2018) Estimation of vertical ground reaction force during running using neural network model and uniaxial accelerometer. J Biomech 76:269–273CrossRef
Johnson WR et al (2018) Predicting athlete ground reaction forces and moments from motion capture. Med Biol Eng Comput 56(10):1781–1792CrossRef
Kay RM et al (2000) The effect of preoperative gait analysis on orthopaedic decision making. Clin Orthop Relat Res 372:217–222CrossRef
Kipp K, Giordanelli M, Geiser C (2018) Predicting net joint moments during a weightlifting exercise with a neural network model. J Biomech 74:225–229CrossRef
Koeppe A, Bamer F, Hernandez Padilla CA, Markert B (2017) Neural network representation of a phase-field model for brittle fracture. Proc Appl Math Mech 17:253–254CrossRef
Lee MJC et al (2013) Effects of different visual stimuli on postures and knee moments during sidestepping. Med Sci Sports Exerc 45(9):1740–1748CrossRef
Liu Y et al (2009) Lower extremity joint torque predicted by using artificial neural network during vertical jump. J Biomech 42(7):906–911CrossRef
Mundt M, Thomsen W, David S et al (2018a) Assessment of the measurement accuracy of inertial sensors during different tasks of daily living. J Biomech 84:81–86
Mundt M, Thomsen W, Bamer F, Markert B (2018b) Determination of gait parameters in real-world environment using low-cost inertial sensors. Proc Appl Math Mech 18:5–6CrossRef
Mundt M, Batista JP, Markert B, Bollheimer C, Laurentius T (2019) Walking with rollator: a systematic review of gait parameters in older persons. Eur Rev Aging Phys Act 16(1):1–9
Osateerakun P et al (2018) P 037 – prediction of moments from movements without force platforms using artificial neural networks: a pilot test. Gait Posture 65:299–300CrossRef
Reeves ND, Bowling FL (2011) Conservative biomechanical strategies for knee osteoarthritis. Nat Rev Rheumatol 7(2):113–122CrossRef
Rumelhart DE, Hinton GE, Williams RJ (1986) Learning representations by back-propagating errors. Nature 323(6088):533–536CrossRef
Sabatini AM (2006) Quaternion-based extended kalman filter for determining orientation by inertial and magnetic sensing. IEEE Trans Biomed Eng 53(7):1346–1356CrossRef
Schülein S et al (2017) Instrumented gait analysis: a measure of gait improvement by a wheeled walker in hospitalized geriatric patients. J Neuroeng Rehabil 14(1):18CrossRef
Schwartz MH, Trost JP, Wervey RA (2004) Measurement and management of errors in quantitative gait data. Gait Posture 20(2):196–203CrossRef
Shahabpoor E, Pavic A (2017) Measurement of walking ground reactions in real-life environments: a systematic review of techniques and technologies. Sensors 17(9):2085CrossRef
Sinclair J et al (2013) Three-dimensional kinematic comparison of treadmill and overground running. Sports Biomech 12(3):272–282CrossRef
de Vries WHK, Veeger HEJ, Baten CTM, van der Helm FCT (2009) Magnetic distortion in motion labs, implications for validating inertial magnetic sensors. Gait Posture 29(4):535–541CrossRef
Wernick MN et al (2010) Drawing conclusions from medical images. IEEE Signal Process Mag 27(July):25–38CrossRef
Zimmermann T, Taetz B, Bleser G (2018) IMU-to-segment assignment and orientation alignment for the lower body using deep learning. Sensors (Switzerland) 18(1):302CrossRef
Metadaten
Titel
Lebenswissenschaften 4.0 – Sensorik und maschinelles Lernen in der Bewegungsanalyse
verfasst von
Marion Mundt
Arnd Koeppe
Franz Bamer
Bernd Markert
Copyright-Jahr
2020
Verlag
Springer Berlin Heidelberg
Buch
Handbuch Industrie 4.0: Recht, Technik, Gesellschaft

Print ISBN: 978-3-662-58473-6

Electronic ISBN: 978-3-662-58474-3

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-662-58474-3_55