Funkortungssystem zur Erfassung menschlicher Bewegungsparameter basierend auf einem phasenbasierten holographischen Lokalisierungskonzept
Funkortungssystem zur Erfassung menschlicher Bewegungsparameter basierend auf einem phasenbasierten holographischen Lokalisierungskonzept
A plain-language reading has not been prepared for this paper yet.
Original abstract
Die Ganganalyse stellt eine zentrale Methode zur Diagnose und Therapieüberwachung von neurologischen Erkrankungen wie etwa der Parkinson-Krankheit oder Alzheimer dar. Die Auswertung einer Vielzahl von verschiedenen Gangparametern ermöglicht Rückschlüsse auf den Gesundheitszustand des Patienten. Aktuell werden diese Parameter jedoch meist subjektiv durch Ärzte oder Therapeuten beurteilt, was besonders bei einer Diagnose über einen langen Zeitraum zu Fehlern und Ungenauigkeiten führen kann. Als objektive und präzise Alternative werden derzeit Systeme auf der Basis von Inertial Measurement Units (IMUs) und kamerabasierte Sensoren eingesetzt. In der Forschung sind diese Systeme weit verbreitet und haben sich als zuverlässige Methode zur Ganganalyse etabliert. Jedoch weisen diese Systeme inhärente Nachteile auf, wie etwa die nötige Sichtverbindung von auf der Haut angebrachten Markern zu den Kameras oder die Abwesenheit von absoluten Messungen bei IMUs, sodass diese Systeme bisher kaum in der Praxis eingesetzt werden. Hier setzt diese Arbeit an, indem ein neuartiges Messsystem entwickelt wird, welches auf funkbasierter Lokalisierung von körpergetragenen Sensoren sowie IMUs basiert, und eine völlig neue Klasse an Ganganalysesystemen darstellt. Die vorliegende kumulative Dissertation basiert auf drei Publikationen sowie weiteren Forschungsergebnissen, die in drei Forschungsschwerpunkte zusammengefasst werden. Der erste Forschungsschwerpunkt umfasst die Entwicklung eines iterativen phasenbasierten Lokalisierungsalgorithmus für ein Ganganalysesystem. Der Algorithmus basiert auf dem Holpgrafischen Erweiterten Kalman Filter (HEKF) und wertet Empfangsphasen von Funksignalen aus, um die Position eines Senders zu bestimmen. Durch die iterative Auswertung wird die Genauigkeit und Stabilität des Systems erhöht. Mithilfe von Simulationen und Messungen wird gezeigt, dass der entwickelte Ansatz eine deutlich höhere Genauigkeit und Stabilität der Lokalisierungsergebnisse im Vergleich zu bisher genutzten Methoden bietet. Zusätzlich wird eine Initialisierungsmethode für das Kalman Filter entwickelt, die trotz großer Antennenabstände und damit einhergehende Mehrdeutigkeit der Phase das Bestimmen einer eindeutigen Startposition ermöglicht. Auch diese Initialisierungsmethode wird mithilfe einer Messung verifiziert und zeigt hohe Zuverlässigkeit. Im zweiten Forschungsschwerpunkt wird eine Methode entwickelt, um am Sensor gemessene Daten simultan mit der Lokalisierungsinformation zu übertragen. Durch die Nutzung von demselben Hochfrequenzsignal für die Lokalisierung und die Datenübertragung wird eine perfekte Synchronisation der Daten erreicht, ohne dass zusätzliche Hardware oder Software benötigt wird. In einer praktischen Messung mit einem körpergetragenen Elektromyographie-Sensor wird dieses Konzept verifiziert. Gegenstand des dritten Forschungsschwerpunktes ist die Fusion von am körpergetragenen Sensor gemessenen IMU-Daten mit den Phasendifferenzen des Hochfrequenzsignals mithilfe eines Error State Kalman Filters. Die Kombination dieser beiden Signale ermöglicht eine absolute Orientierung des Sensors im Raum, was mit den jeweiligen Sensoren einzeln nicht möglich ist. Auch hier wird durch eine praktische Messung die Funktionalität des Systems und das Potenzial für die Ganganalyse demonstriert. Die im Rahmen dieser Dissertation entwickelten Systeme und Methoden bieten einen aussichtsreichen Ansatz für die Ganganalyse, der die erforderliche Genauigkeit bietet, während gleichzeitig die Nachteile bisheriger Systeme vermieden werden. Gait analysis is a key tool in the diagnosis and treatment monitoring of neurological disorders such as Parkinson’s and Alzheimer’s disease. By evaluating a large number of different gait parameters, it is possible to draw conclusions about the patient’s state of health. Currently, however, these parameters are usually assessed subjectively by physicians or therapists, which can lead to errors and inaccuracies, especially when diagnosing over a long period of time. Systems based on inertial measurement units (IMUs) and camera-based sensors are currently used as an objective and precise alternative. These systems are widely used in research and have proven to be a reliable method for gait analysis. However, these systems have inherent disadvantages, such as the need for line-of-sight from markers on the skin to the cameras, or the lack of absolute measurements with IMUs. As a result, these systems are rarely used in practice. This thesis addresses these issues by developing a novel measurement system based on wireless localization of body-worn sensors and IMUs, which represents a completely new class of gait analysis systems. This cumulative dissertation is based on three publications and further research results, which are summarized in three main research areas. The first research focus is the development of an iterative phase-based localization algorithm for a gait analysis system. The algorithm is based on the Holpgraphic Extended Kalman Filter (HEKF) and evaluates the received phases of radio signals to determine the position of a transmitter. The iterative evaluation increases the accuracy and stability of the system. Simulations and measurements show that the developed approach provides significantly higher accuracy and stability of localization results compared to previously used methods. Furthermore, an initialization method for the Kalman filter is developed, which allows the determination of an unambiguous initial position despite large antenna distances and the associated phase ambiguity. This initialization method is also verified by a measurement and shows a high reliability. In the second research focus, a method is developed to transmit data measured at the sensor simultaneously with the localization information. By using the same high-frequency signal for localization and data transmission, perfect synchronization of the data is achieved without the need for additional hardware or software. This concept is verified in a practical measurement using a body-worn electromyography sensor. The third research focus is the fusion of IMU data measured on the body-worn sensor with the phase differences of the RF signal using an error state Kalman filter. The combination of these two signals allows an absolute orientation of the sensor, which is not possible with the individual sensors. The functionality of the system and its potential for gait analysis is demonstrated by a practical measurement. The systems and methods developed in this dissertation offer a promising approach to gait analysis that provides the required accuracy while avoiding the disadvantages of previous systems.