The risk of suffering from musculoskeletal disorders increases considerably with age. One of the causes is the decrease in physical activity. Osteoporosis is a disease that is favored precisely by this lack of movement. It is mainly characterized by bone fractures, especially of the femur. Previous studies have shown that regular exercise with high strains on the bones of the lower extremities, ...
Abstract (English)
The risk of suffering from musculoskeletal disorders increases considerably with age. One of the causes is the decrease in physical activity. Osteoporosis is a disease that is favored precisely by this lack of movement. It is mainly characterized by bone fractures, especially of the femur. Previous studies have shown that regular exercise with high strains on the bones of the lower extremities, such as jumping or running, can prevent osteoporosis. Musculoskeletal models can help in the research of these preventive mechanisms.
This work aims to determine the kinematic data relevant to the prevention of osteoporosis, correlate it with simulated kinetic data, and finally interpret it. The findings are to be made measurable and tangible for the user in everyday life with the help of smart devices or smartphones.
For this reason, typical positions of smart devices were first evaluated for recording high-impact exercises. A motion capture system based on inertial measurement units was used. The study showed that the accelerations acting on the pelvis can be recorded very well at typical positions where smart devices are worn. However, care must be taken to ensure the exercise is performed correctly.
In the next step, a markerless motion capture system was used to record various everyday movements and high-impact exercises and to simulate them using musculoskeletal models. The strains on the femoral neck were analyzed using the models. The results indicate that most exercises place a considerable load on the femoral neck, potentially promoting bone formation and modeling. Despite the simplified assumptions regarding femoral geometry and deformation behavior, which are necessary for accommodating a large number of subjects, the results aligned with previous research findings that highlight the positive effects of strenuous activities on bone health.
In the final phase of this work, the findings were integrated to incorporate these preventive mechanisms into everyday life. Acceleration data from an inertial measurement unit were initially compared with data from the markerless motion capture system. This comparison did not yield usable results, so only the motion capture system data were used. The comparison with the calculated load data showed low correlations. It was demonstrated that better results could be achieved with additional input parameters and more extensive calculation models. Possible feedback systems based on this data were also discussed.
In summary, this work has shown several promising approaches to integrating practical systems for the prevention of musculoskeletal disorders. The final implementation, which requires further work and methodological evaluation, presents an exciting opportunity for future research and development in this field.
Translation of the abstract (German)
Die Gefahr an muskuloskelettalen Erkrankungen zu leiden, nimmt stark mit dem Alter zu. Eine der Ursachen ist die Abnahme der physischen Aktivität. Osteoporose ist eine Krankheit, die genau durch diese fehlende Bewegung begünstigt wird. Vor allem macht sie sich durch Knochenbrüche im Speziellen des Femurs bemerkbar. In bereits vergangenen Studien konnte gezeigt werden, dass ein regelmäßiger Umfang ...
Translation of the abstract (German)
Die Gefahr an muskuloskelettalen Erkrankungen zu leiden, nimmt stark mit dem Alter zu. Eine der Ursachen ist die Abnahme der physischen Aktivität. Osteoporose ist eine Krankheit, die genau durch diese fehlende Bewegung begünstigt wird. Vor allem macht sie sich durch Knochenbrüche im Speziellen des Femurs bemerkbar. In bereits vergangenen Studien konnte gezeigt werden, dass ein regelmäßiger Umfang an Übungen mit hohen Belastungen auf die Knochen der unteren Extremität, wie beispielsweise Springen oder Rennen, vorbeugend gegenüber Osteoporose sein. Muskuloskelettale Modelle können bei der Erforschung dieser präventiven Mechanismen helfen.
Ziel dieser Arbeit ist es, die für die Osteoporoseprävention relevanten kinematischen Daten zu ermitteln und mit simulierten kinetischen Daten zu korrelieren und schließlich zu interpretieren. Mit Hilfe von Smart Devices oder Smartphones sollen die gewonnen Erkenntnisse im Alltag für den Nutzer messbar und greifbar gemacht werden.
Deswegen wurden zunächst typische Positionen von Smart Devices in Bezug auf das Aufzeichnen von hochbelastenden Übungen evaluiert. Dabei wurde ein Motion Capture System basierend auf inertiale Messeinheiten verwendet. Die Studie hat gezeigt, dass die Beschleunigungen, die auf den Pelvis wirken, sehr gut an typischen Positionen, an denen Smart Devices getragen werden, aufgezeichnet werden können. Jedoch ist dabei auf die korrekte Ausführung der Übung zu achten.
Im nächsten Schritt wurden mittels einem markerlosen Motion Capture System verschiedene Alltagsbewegungen und Übungen mit hohen Belastungen aufgenommen und mit muskuloskelettalen Modellen simuliert. Dabei wurden die Belastungen auf den Femurhals betrachtet, welche sich aus den Modellen ableiten ließen. Die Ergebnisse deuten darauf hin, dass die meisten Übungen den Oberschenkelhals erheblich belasten, was möglicherweise den Knochenaufbau/-modellierung fördert. Trotz starker Vereinfachung der Annahmen für Femurgeometrie und Verformungsverhalten, um eine hohe Anzahl an Probanden zu ermöglichen, waren die Ergebnisse stehen im Einklang mit früheren Forschungsergebnissen, die die positiven Auswirkungen von anstrengenden Aktivitäten auf die Knochengesundheit hervorheben.
Im letzten Schritt dieser Arbeit sollten die gewonnen Erkenntnisse zusammengeführt werden, um diese präventiven Mechanismen in den Alltag zu integrieren. Dafür wurden zunächst Beschleunigungsdaten einer intertialen Messeinheit mit denen des markerlosen Motion Capture Systems verglichen. Dies lieferte jedoch keine verwertbaren Ergebnisse, weshalb nur die Daten des Motion Capture Systems verwendet wurden. Der Vergleich mit den berechneten Belastungsdaten führte nur zu geringen Korrelationen. Jedoch zeigte sich das Potenzial bessere Ergebnisse mit weiteren Eingangsparametern neben den Beschleunigungsdaten und umfangreicheren Berechnungsmodellen zu erzielen. Ansätze für mögliche Feedbacksysteme basierend auf diesen Daten wurde diskutiert.
Zusammenfassend konnten in dieser Arbeit einige Ansätze zur Integration von handlichen Systemen hinsichtlich der Prävention von muskuloskelettalen Erkrankungen gezeigt werden. Die finale Umsetzung bedarf jedoch weiterer Arbeit und Methodikevaluierung.
![[img]](https://epub.uni-regensburg.de/style/images/fileicons/application_pdf.png)
Download Statistics