Entwicklung einer KI zur Fußdruck- und Ganganalyse für Patient*innen mit diabetischem Fußsyndrom.

Fußabdruck_KI



Projektübersicht

Anzahl Studierende 1-2
Art Gefördertes Projekt
Projektverantwortung Prof. Dr.-Ing. Martin Kohlhase, M. Eng. Jan Finke
Projektkontext Projekt in Zusammenarbeit mit dem Center for Applied Data Science Gütersloh (CfADS) sowie externen Partnern aus einem geförderten Forschungsprojekt.

 

Kurzbeschreibung

Diabetes ist eine weit verbreitete Zivilisationskrankheit, die bei einer unzureichenden Überwachung und Behandlung dramatische Folgeerkrankungen hervorrufen kann. Eine dieser möglichen Folgeerkrankungen ist das Diabetischer-Fuß-Syndrom (DFS). Das DFS ist ein schleichender Prozess, der schwerwiegende Folgen für die betroffenen Personen hat. Von anfänglichen Empfindungsstörungen und kleineren Verletzungen des Fußes führt dieses Krankheitsbild im schlimmsten Fall zu teilweisen oder vollständigen Amputationen des betroffenen Fußes. Die dadurch verursachten Einschränkungen sind ein enormer Verlust an Lebensqualität für Patientinnen und Patienten. Durch den Einsatz einer Sensorik soll der Fuß überwacht werden, um eventuelle Überlastungen zu erkennen. Als Richtwert gelten die international anerkannten Vorgaben der International Working Group in the Diabetic Foot (IWGDF).
Betroffene Personen werden in der Regel mit orthopädischen Schuhen und in manchen Situationen mit Orthesen ausgestattet. Diese sollen die Füße optimal entlasten und für eine ausreichende Druckverteilung sorgen. Mit aktuellen Messverfahren kann lediglich gesagt werden, ob eine punktuelle Überbelastung stattgefunden hat. Über die durchgeführte Bewegung – stehen, gehen, Treppen steigen etc. – kann derzeit keine Aussage getroffen werden. Somit ist es nur in entsprechenden Laboren möglich, das Schuhwerk hinsichtlich seiner Funktion und Druckentlastung zu untersuchen. Der Alltag der Personen bleibt derzeit unüberwacht. Dies soll sich durch den Einsatz einer Fuß-Sensorik ändern, welche im Alltag in das Schuhwerk oder in eine Orthese eingebaut wird. Anhand der gewonnenen Messdaten sollen Algorithmen erstellt werden, die in der Lage sind, die unterschiedlichen Druckbelastungen und Bewegungsmuster zu erkennen.
Das hier beschriebene Projekt umfasst die Anwendung von ML-Verfahren in einem realistischen Umfeld. Die Planung von Versuchen zur Generierung passender Messdaten und deren Analyse zur Erkennung der zuvor durchgeführten Bewegungen ist zur Optimierung der Methoden des maschinellen Lernens ebenfalls notwendig.

Aufgabenstellung

Der Studierende / die Studierende entwickeln Lösungen, welche mit Hilfe von künstlicher Intelligenz in der Lage sein soll, Messreihen auszuwerten sowie Druckbelastungen bzw. Bewegungsmuster zu erkennen.

 

Bezug zum Thema Data Science 

Die Analyse von Messsequenzen unter Anwendung von Verfahren des maschinellen Lernens mit vorangehender Generierung geeigneter Trainingsdaten sind wichtige Bausteine der Data Science.

 

Verfügbare Ressourcen

  • Die Fuß-Sensorik in passender Schuhgröße kann beschafft werden. Größe 43 ist bereits vorhanden.
  • Die / der Studierende erhält Zugriff auf die Infrastruktur des Center for Applied Data Science (CfADS), wie z.B. einen leistungsstarken Computercluster auf Basis eines Hadoop-Frameworks.

 

Projektplan

Erstes Semester: Einarbeitung in die Messsoftware und das Themengebiet. Sammeln notwendiger Informationen für weitere Arbeitsschritte. Die Erstellung eines Forschungsexposès ist Prüfungsleistung.
Zweites Semester: Entwurf einer Methode zur Generierung von geeigneten Trainingsdaten. Erstellung von Algorithmen zur Analyse von Messreihen. Recherche zu relevanten Arbeiten im Themenumfeld der Druckmessung von Personen mit diabetischem Fuß-Syndrom.
Drittes Semester: Weiterentwicklung der Algorithmen. Anwendung und Umsetzung von Methoden des maschinellen Lernens, insbesondere Neuronale Netze oder Gaußsche Prozessmodelle.
Viertes Semester: Entwicklung und Evaluation der ML-Verfahren zur Analyse und Darstellung von Messreihen aus der Fußdruck-Messung. Erzeugung von Prognosen auf Basis der Modelle. Die Modelle sollen in der Lage sein, Bewegungsmuster zu erkennen und auf Überbelastungen hinweisen.

 

Eignungskriterien

Zwingend:
- Grundkenntnisse in der Informatik
- Programmierkenntnisse in Python oder Matlab
- Teamfähigkeit und Interesse an wissenschaftlicher Arbeit
- Selbstständige Arbeitsweise
Optional:
- Kenntnisse in Bereichen des maschinellen Lernens
- Kenntnisse über entsprechende Bibliotheken und Pakete für Data Science in Python.



Erwerbare Kompetenzen

- Erfahrung und Kompetenz zur Generierung und Beurteilung geeigneter Trainingsdaten
- Erstellen von Analyseergebnissen
- Erfahrung in der Anwendung von Methoden aus dem Deep Learning
- Wissenschaftliches Arbeiten, Schreiben und Präsentieren