Arizpe Gómez, Pedro Fernando (2026) Detecting Movement Abnormalities: Automated Analysis of Periodic Human Movements in Occupational and Clinical Scenarios. PhD, Universität Oldenburg.

Preview

Volltext (12Mb)

Abstract

This dissertation investigates multisensor motion capture setups, including markerless movement estimation and wearable sensing, for clinical and occupational applications. It proposes analytics pipelines that combine movement data with statistical and machine learning methods to extract key health indicators. The research integrates multi-sensor tracking (depth cameras, wearables, optical MoCap) with AI-based methods to objectively assess movement irregularities in craftspeople and individuals with Parkinson's Disease. Key contributions include a framework enabling early, automated detection of motor disorders and occupational risks. Validation against gold standards (e.g., GAITRite) confirms the system's reliability. The work provides a foundation for scalable, real-time health monitoring and supports preventive interventions to improve quality of life and workplace safety. This thesis aims to help pave the way towards a multi-environment prevention-based health monitoring paradigm.

["eprint_fieldname_title_plus" not defined]

Erkennung von Bewegungsanomalien: Automatisierte Analyse periodischer menschlicher Bewegungen in beruflichen und klinischen Szenarien

["eprint_fieldname_abstract_plus" not defined]

Diese Dissertation untersucht multisensorische Motion-Capture-Systeme (markerlose Bewegungsschätzung, Wearables) für klinische und arbeitsmedizinische Anwendungen. Sie präsentiert Analyse-Pipelines, die Bewegungsdaten mittels Statistik und Machine Learning verarbeiten, um Gesundheitsindikatoren zu extrahieren. Die Forschung kombiniert Multi-Sensor-Tracking (Tiefenkameras, Wearables, optisches MoCap) mit KI-Methoden, um Bewegungsauffälligkeiten bei Handwerkern und Parkinson-Patienten objektiv zu bewerten. Ein Kernbeitrag ist ein Framework zur frühen, automatisierten Erkennung motorischer Störungen und berufsbedingter Risiken. Die Validierung gegen Goldstandards (z. B. GAITRite) bestätigt die Zuverlässigkeit. Die Arbeit bildet die Basis für skalierbares Echtzeit-Monitoring und präventive Interventionen zur Steigerung von Lebensqualität und Arbeitssicherheit. Ziel ist es, den Weg für ein sektorübergreifendes, präventionsbasiertes Paradigma der Gesundheitsüberwachung zu ebnen.

Item Type:	Thesis (PhD)
Uncontrolled Keywords:	Multisensor Motion Capture, Movement Analysis, Ergonomics, Parkinson's Disease, Occupational Health
Divisions:	Faculty of Medicine and Health Sciences > Department of Public Health and Medical Education
Date Deposited:	27 Mar 2026 13:02
Last Modified:	27 Mar 2026 13:02
URI:	https://oops.uni-oldenburg.de/id/eprint/7399
URN:	urn:nbn:de:gbv:715-oops-74801
DOI:
Nutzungslizenz:

Actions (login required)

View Item