Human joint angle measurement exploiting kinematic constraints using an inertial motion capture system

Abstract

Die genaue Messung menschlicher Gelenkwinkel ist in der Biomechanik entscheidend und wirkt sich auf Bereiche wie Sportwissenschaft und Rehabilitation aus. Diese Arbeit stellt eine Kalibrationsmethode für die Messung von Gelenkwinkeln mit einem inertialen Motion-Capture-System unter Verwendung von Partikelfiltermethoden vor, mit dem Ziel, die Genauigkeit der Echtzeitwinkelmessung zu verbessern. Die Methodik verwendet sequentielles Importance Sampling, um die Beugungs-/Streckungsachsen des Kniegelenks mithilfe von zwei Inertial Measurement Units (IMUs) zu bestimmen. Die beste Schätzung des Kniegelenks wird dann verwendet, um den Beugungs-/Streckungswinkel des Knies zu messen. Die Ergebnisse zeigen eine bemerkenswerte etwa 4° RMSE im Vergleich zur optischen Erfassung, wobei der Algorithmus sich als stabil bei unterschiedlichen Sensorplatzierungen und Übungen erweist. Die Beiträge umfassen die Erweiterung der Forschung auf dynamische Übungen und die Einführung eines Echtzeit-Knieachsenverfolgungsalgorithmus, der an Störungen anpassbar ist. Praktische Implikationen für die Erkennung von Aktivitäten und die Überwachung des Bewegungsumfangs bei Knierotationen werden hervorgehoben. Die Studie legt den Grundstein für zukünftige Forschung zur Verbesserung der Robustheit und Anwendbarkeit in vielfältigen biomechanischen Szenarien.

Accurate measurement of human joint angles is critical in biomechanics, impacting fields like sports science and rehabilitation. This thesis introduces a calibration method for joint angle measurement with inertial motion capture system using Particle Filter methods, aiming to enhance real-time angle measurement accuracy. The methodology employs Sequential Importance Sampling to determine flexion/extension axes of the knee joint using two Inertial Measurement Units (IMUs). The best estimate of the knee joint is then used to measure knee flexion/extension angle. Results demonstrate a remarkable roughly 4° RMSE compared to optical capture, with the algorithm proving stable across varied sensor placements and exercises. Contributions include extending research to dynamic exercises and introducing a realtime knee axis tracking algorithm adaptable to perturbations. Practical implications for recognizing activity and monitoring Range of Motion in knee rotations are highlighted. The study sets the groundwork for future research in enhancing robustness and applicability in diverse biomechanical scenarios.