Biomechanical Analysis of Gait of transfemoral Amputees while using novel Prosthetic Technologies and Control Methods

Abstract

Two main objectives were set in this thesis: Firstly, the implementation of an algorithm to detect a reference step out of multiple steps automatically and secondly, to detect changes in gait of trans-femoral amputees when using a novel active knee prosthesis prototype compared to their everyday prosthesis.To detect the users reference step, internal sensor data of the prosthesis was used. After implementing multiple algorithms and evaluating the results in a black-box test it could be shown that a combination of dynamic time warping and the median of the steps produced the best results. All algorithms have been implemented with Python. After finding a reference step the data along with metadata was saved in a database in order to assist new and further development of knee prostheses.The second part focusses on the gait analysis of trans-femoral amputees. Data for level ground walking was recorded for two subjects, each using the prototype and the everyday prosthesis. Subsequently multiple parameters were investigated based on symmetry or peak values. The choice of parameters that should be included in the analysis was mainly influenced by the characteristics of the prosthesis as well as the feedback of the subjects during the recording of the gait data. Statistical analysis was done with the python implementation of statistical parametric mapping (spm1d), which allows continuous signals to be evaluated statistically. The prototype features a motor that allows to assist knee flexion and extension.

Mit dieser Arbeit wurden zwei Ziele verfolgt: Erstens einen Algorithmus zu implementieren, der Referenz-Schritte aus mehreren aufgezeichneten Schritten automatisch erkennt und zweitens anhand einer dreidimensionalen Ganganalyse aus dem Ganglabor Veränderungen im Gangbild unter Verwendung eines aktiven Knieprothesen Prototyps im Vergleich zur Alltagsversorgung zu erkennen und statistisch auszuwerten.Für die Erkennung eines Referenzschrittes aus einem Anwendertest wurden die internen Sensordaten des Prothesenkniegelenks herangezogen. Nachdem mehrere Algorithmen zur Erkennung eines Referenzschrittes implementiert wurden, konnte in einem Black-Box-Test für die verschiedenen Ergebnisse abgestimmt werden. Hierbei wurde Dynamic Time Warping in Kombination mit dem Median aus den aufgezeichneten Schritten als geeignetstes Verfahren ausgewählt. Implementiert wurden alle Verfahren in Python. Die Referenzkurven wurden anschließend mit Metadaten in eine Datenbank transferiert, um so bei der Weiter- und Neuentwicklung von Knieprothesen das Entwicklerteam unterstützen zu können.Der zweite Teil beschäftigt sich mit der Ganganalyse von transfemoral amputierten Personen. Für zwei Anwender wurden Daten sowohl mit deren Standard als auch mit einer neuartigen aktiven Knieprothese für Gehen in der Ebene aufgezeichnet. Danach wurden mehrere Parameter hinsichtlich Symmetrie und Extremwerte analysiert. Bei der Auswahl der Parameter flossen unter anderem die Eigenschaften des Prototyps sowie Feedback der Anwender während der Aufzeichnung ein. Für die statistische Analyse wurde die Python Distribution von statistical parametric mapping (spm1d) verwendet, welche es erlaubt kontinuierliche Signale statistisch auszuwerten. Der Prototyp zeichnet sich durch einen aktiv unterstützenden Antrieb aus, welcher in der Lage ist Flexion und Extension des Knies aktiv zu unterstützen.