Menschliche Haltungs­erkennung und automatisierte Bewertungs­erkennung für die sportliche Rehabilitation

Intelligentere Unterstützung bei Rehabilitationsübungen

Wer eine Physiotherapie durchlaufen hat, weiß, wie schwer es ist, dieselben Bewegungen Tag für Tag korrekt zu wiederholen — oft ohne zu wissen, ob sie „gut genug“ sind. Diese Studie stellt einen computergestützten Assistenten vor, der Reha‑Übungen über eine Kamera beobachtet, die Körperhaltung in Echtzeit versteht und automatisch bewertet, wie gut jede Bewegung einem vom Therapeut freigegebenen Standard entspricht. Ziel ist es, Patienten sofortiges, objektives Feedback zu geben und das Personal zu entlasten, zugleich die Rehabilitation präziser und motivierender zu gestalten.

Warum es auf jedes Gelenk ankommt

Moderne sportliche Rehabilitation baut stark darauf, wie genau wir Körperbewegungen beobachten und messen können. Traditionelle Beurteilungsmethoden beruhen auf dem Auge und der Erfahrung des Therapeuten, was wertvoll, aber auch subjektiv und zeitaufwendig ist. Kleine Haltungsfehler, etwa ein leicht gedrehtes Knie oder ein eingeschränkter Schulterwinkel, können die Genesung verzögern oder neue Probleme verursachen, sind in belebten Sprechstunden jedoch leicht zu übersehen. Die Autoren argumentieren, dass ein digitales „zweites Augenpaar“, das Gelenkpositionen Bild für Bild verfolgt, konsistentere Urteile liefern, die Fernbetreuung unterstützen und Übungspläne besser an den individuellen Fortschritt anpassen könnte.

Ein digitaler Coach in drei Teilen

Das System, das die Autoren entwickelt haben, funktioniert wie eine Pipeline mit drei Hauptstufen. Zuerst zeichnet eine Kamera die Person bei Reha‑Übungen auf, etwa Kniebeugen, Ausfallschritte oder Armhebungen nach einer Rückenoperation. Ein Pose‑Tracking‑Werkzeug namens BlazePose wandelt dann jedes Videobild in ein Skelettmodell aus 33 Schlüsselpunkten um — Hüften, Knie, Schultern und so weiter — und erfasst, wie der Körper zeitlich angeordnet ist und sich bewegt. Anschließend analysiert ein Machine‑Learning‑Verfahren, ein Random‑Forest, Muster in diesen Schlüsselpunkten und entscheidet, welche Bewegungsart ausgeführt wird und ob die Haltung normal oder abweichend erscheint. Das hilft dem System, viele verschiedene Übungstypen unter realen Bedingungen zu erkennen, bei denen Hintergründe unruhig sind und Körperteile zeitweise verdeckt sein können.

Wie das System lernt, wie ein Experte zu bewerten

Eine Pose zu erkennen ist nur die halbe Aufgabe; die andere Hälfte besteht darin, zu bewerten, wie gut sie einem „Goldstandard“ entspricht. Dafür ergänzen die Forscher ein spezielles gepaartes neuronales Netzwerk, das sich beim Vergleichen besonders bewährt. Das Netzwerk wird mit Paaren von Bewegungsbeispielen trainiert: eines aus einer Standard‑Vorlage und eines eines Patienten. Es lernt, die Ähnlichkeit beider anhand von Gelenkpositionen und -winkeln über die Zeit zu messen. Eine Ähnlichkeitsmetrik wandelt diesen Vergleich dann in eine Qualitätsnote um — ähnlich einer digitalen Version eines Experten, der eine Checkliste abhakt. Bewegungen, die der Vorlage eng folgen, erhalten hohe Bewertungen; solche, die zu stark abweichen, werden als mangelhaft markiert, sodass das System aufzeigt, welche Übungen korrigiert werden müssen.

Wie der digitale Assistent geprüft wurde

Um zu prüfen, ob ihr Werkzeug für den praktischen Einsatz bereit ist, testeten die Autoren es an zwei großen Datensätzen mit Bewegungsdaten: einem mit vielen Alltagsposen und einem anderen mit Yoga‑ und Fitnessübungen. Sie verglichen ihr integriertes System mit einfacheren Alternativen, die entweder nur einen Basis‑Klassifikator oder allein ein zeitbasiertes neuronales Netzwerk verwendeten. In diesen Tests erkannte die neue Methode Körperhaltungen mit bis zu 98 % Genauigkeit, hielt den Fehler in geschätzten Gelenkwinkeln unter etwa 6 % und erzeugte Reha‑Bewertungen, die stark mit Expertenbewertungen übereinstimmten. Zudem lief sie schnell genug — im Bereich von wenigen bis einigen Dutzend Millisekunden pro Bild — um Echtzeit‑Feedback während Trainingssitzungen zu ermöglichen.

Was das für Patienten und Therapeuten bedeutet

Einfach gesagt zeigt die Studie, dass eine Kamera plus intelligente Software zuverlässig erkennen kann, wie sich Menschen bewegen, jede Übung etikettieren und deren Qualität auf eine Weise beurteilen kann, die gut mit menschlichen Experten übereinstimmt. Obwohl das System noch in vielfältigeren Umgebungen und mit unterschiedlichen Patientengruppen getestet werden muss, zeigt es bereits, dass automatisches Pose‑Tracking und automatisierte Bewertung zu einem mächtigen Helfer in der sportlichen Rehabilitation werden können. Bei weiterer Verfeinerung und breiterem Einsatz könnten solche Werkzeuge Patienten klarere Anleitung geben, sie mit unmittelbarem Feedback motivieren und Therapeuten Freiraum für höherwertige Entscheidungen verschaffen — was letztlich die Erholungsergebnisse und die Lebensqualität verbessern könnte.

Zitation: Peng, X., Mao, X. & Fang, X. Human pose recognition and automated scoring detection for sports rehabilitation. Sci Rep 16, 13545 (2026). https://doi.org/10.1038/s41598-026-43294-1

Schlüsselwörter: sportliche Rehabilitation, Erkennung menschlicher Körperhaltung, automatisierte Bewegungsbewertung, Technologie für Physiotherapie, Computer Vision im Gesundheitswesen