RehabMate: ein erklärbares Framework zur Aktionserkennung und korrigierendem Feedback in der pädiatrischen Schlaganfallrehabilitation

Kinder dabei unterstützen, Beweglichkeit zu Hause wiederzuerlangen

Pädiatrische Schlaganfälle können Kinder daran hindern zu gehen, zu stehen oder Treppen zu steigen — oft über Jahre hinweg. Regelmäßige Therapie bei Spezialisten verbessert die Erholung, doch häufige Klinikbesuche sind teuer und belasten Familien. Dieses Paper stellt RehabMate vor, einen digitalen Helfer, der fachgerechte Rehabilitation der unteren Extremitäten in Wohn- und Gemeindeumgebungen bringen soll, während Physiotherapeuten weiterhin die Kontrolle behalten.

Warum Kinder intelligentere Rehabilitationsunterstützung brauchen

Schlaganfall gehört zu den Hauptursachen schwerer Behinderungen bei Kindern, und bis zu sieben von zehn jungen Patientinnen und Patienten bleiben mit anhaltenden Bewegungsproblemen zurück. Kinder sprechen in der Regel gut auf Training an und sind hochmotiviert, aber traditionelle Rehabilitation beruht auf wiederholten persönlichen Sitzungen mit ausgebildeten Therapeutinnen und Therapeuten. Familien wohnen möglicherweise weit entfernt von Kliniken, haben wenig Zeit oder nicht die finanziellen Mittel für eine langfristige, intensive Behandlung. Bestehende KI-Tools könnten helfen, arbeiten aber oft wie eine Black Box und liefern Ergebnisse, ohne zu erklären, wie sie zustande kamen. Das erschwert es Physiotherapeuten und Eltern, ihnen zu vertrauen oder sie sicher im Alltag einzusetzen.

Ein digitaler Partner, der beobachtet, wie Kinder sich bewegen

RehabMate ist als dreischichtiges System konzipiert, das die Bewegungen eines Kindes beobachtet, verschiedene Bewegungsdaten kombiniert und diese analysiert, um das Training zu unterstützen. Kleine drahtlose Sensoren an Knien und Knöcheln zeichnen Beschleunigungen und Richtungsänderungen der Beine auf, während ein Smartphone Video aufnimmt und Bild für Bild ein Skelettmodell des Körpers schätzt. Diese Signale werden zu einem einheitlichen Bild der Bewegung des Kindes verschmolzen. Vor jeder Sitzung werden Informationen wie Alter, Schmerzlevel und Mobilität des Kindes in einer App eingegeben, sodass das System seine Anleitung an den Zustand des Kindes anpassen kann.

Wie das System Gehen und Treppensteigen versteht

Im Kern von RehabMate arbeitet ein spezialisiertes Modell zur Aktionserkennung, das untersucht, wie das Kind geht, steht und Treppen steigt beziehungsweise hinabsteigt. Anstatt nur Gelenkpositionen zu betrachten, berücksichtigt das Modell auch die Verbindungen zwischen den Gelenken und wie sich Gelenkwinkel über die Zeit verändern. Es stellt den Körper als Netzwerk verbundener Punkte dar und nutzt fortgeschrittene graphbasierte Verarbeitung und Aufmerksamkeitsmechanismen, um sich auf die wichtigsten Gelenke und Zeitpunkte in einer Bewegungssequenz zu konzentrieren. Durch die sorgfältige Kombination von Sensordaten und Skelettdaten erkennt das Modell vier zentrale Rehabilitationsaktionen und bewertet die Qualität der Ausführung — es erreicht über 93 Prozent Genauigkeit, getestet über verschiedene Kameraperspektiven in einem neuen pädiatrischen Schlaganfall-Datensatz namens PSP2.

Bewegungsanalyse in nutzerfreundliche Anleitung verwandeln

RehabMate macht mehr als Bewegungen zu klassifizieren; es übersetzt technische Ergebnisse in verständliches, maßgeschneidertes Feedback. Die Autoren haben eine professionelle Textbibliothek mit detaillierten Beschreibungen von Rehabilitationsübungen und typischen Fehlern aufgebaut, verfasst von Physiotherapeuten. Ein Sprachmodell ruft zunächst passende Beschreibungen ab und bearbeitet sie leicht, bevor es sie an ein größeres Modell weitergibt, das klare korrigierende Vorschläge und ermutigende Nachrichten formuliert, angepasst an Schmerz- und Mobilitätsniveau des Kindes. Statt stets eine perfekte Ausführung zu verlangen, kann das System beispielsweise das Benutzen eines Treppengeländers vorschlagen, wenn Schmerz oder eingeschränkte Kraft volle Korrekturen unsicher machen. Therapeutinnen und Therapeuten können jede Empfehlung bis zu den zugrundeliegenden Bewegungsdaten und Einträgen in der Wissensbasis zurückverfolgen, sodass der Prozess prüfbar und klinisch nachvollziehbar bleibt.

KI transparent und vertrauenswürdig für die Rehabilitation machen

Die Studie zeigt, dass RehabMate Rehabilitationsaktionen der unteren Extremitäten bei Kindern genau identifizieren kann, aufzeigen kann, welche Körperteile und Zeitpunkte seine Entscheidungen beeinflusst haben, und Feedback erzeugt, das mit fachlicher Beurteilung übereinstimmt. Expertenbewertungen bestätigen, dass die Aufmerksamkeitsgewichte des Modells häufig dieselben kritischen Gelenke hervorheben, auf die Therapeutinnen und Therapeuten achten, und dass die meisten generierten Vorschläge auf bekannte Regeln der Wissensbasis zurückführbar sind. Obwohl das aktuelle System auf Geh- und Treppenaktivitäten fokussiert und mit einem moderat großen Datensatz arbeitet, argumentieren die Autoren, dass derselbe erklärbare Ansatz auf Arm- und Ganzkörpertraining ausgeweitet werden könnte. Für Familien und Kliniker bedeutet das eine KI, die nicht nur Bewegung misst, sondern auch klar darlegt, wie sie zu ihren Schlussfolgerungen kommt — und so die häusliche pädiatrische Schlaganfallrehabilitation sicherer, konsistenter und personalisierter macht.

Zitation: Huang, S., Chen, Z. & Liu, Y. RehabMate: an explainable framework for action detection and corrective feedback in pediatric stroke rehabilitation. Sci Rep 16, 15565 (2026). https://doi.org/10.1038/s41598-026-46093-w

Schlüsselwörter: pädiatrischer Schlaganfall, Rehabilitation, erklärbare KI, Aktionserkennung, tragbare Sensoren