RMPE Tiny: Pose-Schätzung für Reha mit über 96 Prozent Genauigkeit

RMPE Tiny: Pose-Schätzung für Reha mit über 96 Prozent Genauigkeit

Ein Forschungsteam hat mit RMPE Tiny ein leichtgewichtiges Netzwerk zur menschlichen Pose-Schätzung für Rehabilitationsübungen vorgestellt. Das System wurde speziell für den Betrieb auf ressourcenbeschränkter Hardware wie Tablets oder einfachen eingebetteten Überwachungsgeräten entwickelt. In Validierungstests erreichte es eine Gesamtgenauigkeit von über 96 Prozent, viele Einzelmessungen lagen bei 98 Prozent oder höher. Die Arbeit erschien im International Journal of Business Intelligence and Data Mining.

Herkömmliche Pose-Schätzungssysteme benötigen erhebliche Rechenleistung, weil sie aus Videobildern präzise anatomische Schlüsselpunkte lokalisieren müssen. Tiefe neuronale Netze verarbeiten jedes Einzelbild mit Millionen von Operationen, um Bewegungsparameter zu quantifizieren. Diese Modelle umfassen oft viele Millionen Parameter und erfordern leistungsfähige Grafikprozessoren sowie großen Arbeitsspeicher, wodurch sie meist auf spezialisierte klinische Workstations beschränkt bleiben.

RMPE Tiny begegnet dieser Einschränkung durch architektonische Anpassungen, die den Rechenaufwand minimieren, ohne die Genauigkeit wesentlich zu beeinträchtigen. Die genauen Modifikationen sind nicht veröffentlicht, aber das Ergebnis ist eine schlankere Architektur mit weniger Rechenoperationen pro Bild. Dadurch läuft die Pose-Schätzung direkt auf einfacher Hardware in Echtzeit – die Grundlage für computergestützte Therapie außerhalb spezialisierter Einrichtungen.

Laser-Triangulation und 3D-Projektion für Echtzeit-Feedback

Das System nutzt Laser-Triangulation, um die Bilderfassung zu optimieren. Bei diesem Verfahren projiziert ein Laser ein bekanntes Muster oder einen Punkt auf die Szene; eine Kamera nimmt das reflektierte Licht auf. Aus der Verschiebung des projizierten Musters im Kamerabild lässt sich über geometrische Triangulation die Entfernung zu jedem Oberflächenpunkt berechnen. Diese direkte Tiefenmessung liefert präzisere 3D-Koordinaten als rein bildbasierte Verfahren, die Tiefe oft nur indirekt aus 2D-Merkmalen schätzen müssen. Dadurch kann RMPE Tiny die dreidimensionalen Koordinaten der erkannten Körperpunkte genau auf das zweidimensionale Videobild projizieren, ohne separate Tiefenkameras zu benötigen. Die recheneffiziente Architektur erlaubt den Betrieb auf Tablets und einfachen eingebetteten Überwachungsgeräten in Echtzeit. Diese Kombination aus direkter Tiefenerfassung und schlanker Netzwerkarchitektur ermöglicht eine präzise Bewegungserfassung in Echtzeit, ohne auf leistungsfähige Workstations angewiesen zu sein. Die Projektion der 3D-Koordinaten auf das 2D-Bild erleichtert zudem die visuelle Überprüfung der erkannten Pose durch Therapeuten oder Patienten. Damit wird eine unmittelbare Rückmeldung zur Übungsausführung möglich.

Ziel: Therapie ohne Hochleistungsrechner zugänglicher machen

Durch die architektonischen Anpassungen benötigt RMPE Tiny deutlich weniger Arbeitsspeicher und Energie als herkömmliche Pose-Schätzungssysteme. Konkrete Zahlen zu Parameterzahl oder Energieverbrauch wurden in der Veröffentlichung nicht genannt, aber die Fähigkeit, auf Tablets und einfachen eingebetteten Geräten zu laufen, belegt den geringen Ressourcenbedarf. Das Netzwerk führt die Pose-Schätzung direkt auf dem Gerät aus (On-Device-Inference), ohne Daten an einen externen Server senden zu müssen. Dadurch entfallen Latenzzeiten durch Netzwerkübertragung, und Echtzeit-Feedback wird auch im häuslichen Umfeld möglich. Ziel ist es, computergestützte Therapie demokratischer zu machen, indem die Abhängigkeit von Hochleistungsrechnern entfällt. Patienten können so auch zu Hause oder in Gemeinschaftseinrichtungen von präziser Bewegungserfassung profitieren, ohne dass spezielle klinische Geräte erforderlich sind.