Unsere Datenplattform korreliert Sensordaten mit wissenschaftlich validierten Bewegungsmustern — das ist der Kern unseres geistigen Eigentums.
Zwei Inteli-Sensormodule pro Athlet erfassen Position, Beschleunigung und Zeit. Ergänzt durch BLE-Wearables und markerlose Kamera-Bewegungsanalyse.
Übertragung per Bluetooth Low Energy an das Smartphone. Die App verarbeitet Daten direkt on-device und überträgt sie, sobald sich der Athlet bewegt.
Data Aggregation, Staging und Store: strukturierte, semi- und unstrukturierte Daten laufen in unser Datenmodell und den Matching-Algorithmus.
Ergebnisse auf einen Blick — per Mobile App oder Web-Interface, abgestuft für Athlet, Trainer und medizinisches Personal.
Kein Konzeptpapier: Die Bausteine sind in unseren Schwesterprojekten implementiert und im Einsatz — von Computer Vision über Mobile bis zur Sensor-Infrastruktur.
Markerlose Bewegungs- und Pose-Analyse in Echtzeit — auf dem Server, im Browser und direkt auf dem Smartphone.
Native Android-Apps mit On-Device-Inferenz, 60-fps-Live-Overlays und Offline-Fähigkeit — das Smartphone als Mess-Instrument.
IMU-Wearables und BLE-Smartwatch-Anbindung, Raum-Bridges auf ESP32-Basis und kontaktloses WiFi-Sensing zur Sturzerkennung — erprobt im Patienten-Monitoring.
Offline-first Datenplattform mit REST-APIs und rollenbasierten Web-Dashboards — von der Sporthalle ohne Internet bis zur Cloud.
InjuryDetector baut auf Technologie auf, die in drei realen Projekten entwickelt und getestet wird:
Kooperative Multi-Agenten-Pipeline für Live-Spielanalyse: Pose-Biomechanik in Echtzeit, Wurf-Erkennung, Regelüberwachung — Server-seitig (FastAPI + YOLO) und zu 100% lokal im Browser (ONNX).
Android-App, die ein Standard-Smartphone in einen 3D-Bewegungssensor verwandelt: OpenCV-Kamerakalibrierung (solvePnP), ML-Kit-Pose-Tracking und geschwindigkeitsbasierte Sprungerkennung mit 60 fps.
Offline-fähiges Monitoring mit BLE-Smartwatches, ESP32-Raum-Bridges und kontaktlosem WiFi-Sensing zur Sturzerkennung — die technologische Basis für unser Einsatzfeld „Sensors for Seniors".
Wir beobachten die wissenschaftliche Literatur laufend und ordnen sie gegen unsere Roadmap ein — hier die relevantesten Entwicklungen der letzten Monate.
Open-Source-Systeme wie OpenCap zeigen inzwischen klinisch verwertbare Kinematik-Genauigkeit per Smartphone-Video und wurden zur Validierung von Kreuzband-Rückverletzungsrisiko eingesetzt — das bestätigt unseren Ansatz, IMU-Daten mit kamerabasierter Bewegungsanalyse zu kombinieren.
Eine aktuelle Meta-Analyse berichtet für wearable-sensor-gestützte Machine-Learning-Modelle eine gepoolte Genauigkeit von 0,92 bei der Vorhersage der Return-to-Sport-Bereitschaft nach Verletzungen der unteren Extremität — ein starkes externes Signal für den klinischen Nutzen unseres Analyseansatzes.
Neue Deep-Learning-Modelle schätzen Achillessehnen- und patellofemorale Gelenkkräfte aus Consumer-Wearable-Daten und bestätigen, dass Kennzahlen wie Bodenreaktionskraft und tibialer Schock relevante Prädiktoren für Überlastungsverletzungen sind — genau die Art von Kennzahlen, die unser Risiko-Index abbildet.
Kostengünstige textile Kapazitiv-Sensoren in Einlegesohlen erreichen in Kombination mit Deep Learning über 99% Genauigkeit bei der Gangphasen-Erkennung — ein möglicher zukünftiger Baustein neben unseren IMU-Fußsensormodulen.
Jede dieser Kennzahlen ist in der wissenschaftlichen Literatur als sensibel für alters-, belastungs- und verletzungsbedingte Veränderungen belegt. InjuryDetector erfasst sie kontinuierlich und vergleicht sie mit dem persönlichen Baseline.
Ganggeschwindigkeit, Kadenz, Schritt- und Stridelänge, Schrittzeit, Doppelstützanteil, Schrittbreite — die am besten abgesicherten Basis-KPIs.
Links-Rechts-Asymmetrie und Schrittzeit-Variabilität reagieren empfindlich auf Verletzungen und Ermüdung — oft bevor Schmerz auftritt.
Wendemetriken, Gewichtsverlagerung und der Risiko-Index über die Zeit machen Recovery und schleichende Überlastung sichtbar.
Ausgangspunkt war eine medizinische Studie mit einem Eishockey-Team: Gehirnerschütterungen wurden über MRT-Aufnahmen und Bewegungsanalyse untersucht. Gemeinsam mit führenden Wissenschaftlern haben wir Muster identifiziert — etwa verstärktes Schwanken und einen breiteren Abstand zwischen den Füßen —, die den Schweregrad einer Gehirnerschütterung anzeigen.
Korrelation mehrerer unabhängiger Variablen: Sensordaten werden mit Schlüsselindikatoren und der Knowledge-Datenbank abgeglichen, um Verletzungen zu erkennen und vorherzusagen.
Jede Erkenntnis fließt zurück in die Datenbank. Mit jedem Nutzer wird der Algorithmus präziser — die Basis für Prävention statt bloßer Reaktion.
Bewegungsphasen werden als Zustandsautomaten modelliert — vom Sprung-Apex bis zum Gangzyklus. Das macht Erkennungen erklärbar, testbar und robust.
Datensparsamkeit als Grundprinzip: Verarbeitung möglichst on-device oder auf lokalen Servern, verschlüsselte Übertragung, keine Weitergabe an Dritte.
Der Athlet entscheidet, wer welche Daten sieht — vom persönlichen Dashboard bis zur abgestuften Freigabe an Trainer und medizinisches Personal.