#Motor Rehabilitation

Das Forschungsgebiet Motor Rehabilitation an der FH St. Pölten entwickelt technologiegestützte Ansätze der Bewegungsrehabilitation und fördert deren breiten Einsatz in der klinischen Praxis durch die Kooperation mit Industriepartner*innen.

Projekte

MODEL-CP

Ein multidisziplinärer Ansatz, um bei Kindern mit Zerebralparese die Notwendigkeit von operativen Eingriffen zu minimieren.

MMOVE

Eine Methode, mit dem Smartphone zu prüfen, ob Rehabilitationsübungen richtig ausgeführt wurden.

ACCESS

Bewertung klinisch relevanter biomechanischer Biomarker im Feld zur Vorhersage der körperlichen Funktion und Gesundheit bei Patient*innen mit Kniegelenksarthrose: Eine bundesweite Citizen Science Stu...

PROGRESS

Validierung eines kostengünstigen und auf Smartphones basierenden 3D-Gang- und Bewegungsanalysesystems zur Erfassung der Bewegungskinematik bei Kindern mit Zerebralparese.

VReeze

Entwicklung einer Open-Source-Virtual-Reality-Lösung, um das "Einfrieren" von Bewegungen bei Parkinson Patient*innen besser behandeln zu können.

TrustAI - Eine Plattform für interaktive und vertrauenswürdige künstliche Intelligenz

Erklärbare und vertrauenswürdige AI-Lösungen in einer einfach zu bedienenden Plattform.

EyeQTrack – Quantitative Blickerfassunganalytik für adaptives XR-Training und Rehabilitation im Gesundheitswesen

Eine adaptive eXtended-Reality-Umgebung für Trainings- und Therapiezwecke.

Angewandte Biomechanik in der Rehabilitationsforschung

Stiftungsprofessur des Landes Niederösterreich zur Stärkung und Ausbau des Forschungsschwerpunkts Motor Rehabilitation

ULTRASKEL3D

Ultraschallgestützte Skelett-3D-Scans für personalisierte Muskuloskelettale Modellierungen.

deepForce - Zeiteffiziente Bestimmung der Kniekontaktkräfte in der klinischen Ganganalyse mit Hilfe von Machine und Deep Learning

Nutzt Deep Learning, um komplexe muskuloskelettale Simulationen in der Ganganalyse Kliniker*innen auf einfache und schnelle Art und Weise zugänglich zu machen?

Publikationen

Slijepčević, D., Klausner, L. D., Eigner, O., Ladner, S., Kietreiber, T., Belinskaya, Y., Kovac, F., Priebe, T., Judmaier, P., Litschka, M., & Zeppelzauer, M. (2026). TrustAI: Designing and Implementing a Trustworthy and User-Centered AI Platform. Proceedings of the 36th International Conference on Database and Expert Systems Applications – DEXA 2025 Workshops, CCIS, volume 2615, 15–29. https://doi.org/10.1007/978-3-032-02003-1_2

Bibtex

Slijepčević, D., Ladner, S., Judmaier, P., Zeppelzauer, M., Kranzl, A., & Horsak, B. (2025). AI applications and data annotation practices in clinical gait analysis: Initial insights from a survey of ESMAC and GAMMA members. Gait & Posture, ESMAC 2025 Abstract, 121, 229–230. https://doi.org/10.1016/j.gaitpost.2025.07.246

Krondorfer, P., Slijepčević, D., Kranzl, A., Zeppelzauer, M., & Horsak, B. (2025). Predicting joint contact forces using a combination of kinematics, anthropometrics, and demographics with explainable artificial intelligence. Gait & Posture, ESMAC 2025 Abstract, 121, 126–128. https://doi.org/10.1016/j.gaitpost.2025.07.139

Matt, M., Sedlakova, J., Bernard, J., Zeppelzauer, M., & Waldner, M. (2025). Scalable Class-Centric Visual Interactive Labeling. Computers & Graphics, 104240. https://doi.org/10.1016/j.cag.2025.104240

Engelmann, B., Dumphart, B., Nehrer, S., Neubauer, M., Nowak, C., Wondrasch, B., & Horsak, B. (2025). ACCESS: Markerlose Bewegungsanalyse für die alltägliche Praxis – Neue Perspektiven bei Kniearthrose? Abstractband: 18. Forschungsforum der österreichischen Fachhochschulen : 7. - 8. Mai 2025, 38–40. https://doi.org/10.34895/hcw.0027

Satriani, N., Slijepcevic, D., Schedl, M., & Zeppelzauer, M. (2025). Explanatory Interactive Machine Learning for Bias Mitigation in Visual Gender Classification. IEEE International Conference on Content-Based Multimedia Indexing.

Bibtex

Dindorf, C., Horst, F., Slijepcevic, D., Dumphart, B., Dully, J., Zeppelzauer, M., Horsak, B., & Fröhlich, M. (2024). Machine Learning in Biomechanics: Key Applications and Limitations in Walking, Running and Sports Movements (pp. 91–148). https://doi.org/10.1007/978-3-031-76047-1_4

Bibtex

Dindorf, C., Horst, F., Slijepčević, D., Dumphart, B., Dully, J., Zeppelzauer, M., Horsak, B., & Fröhlich, M. (2024). From lab to field with machine learning – Bridging the gap for movement analysis in real-world environments: A commentary. Current Issues in Sport Science (CISS), 9(4), 014–014. https://doi.org/10.36950/2024.4ciss014

Slijepcevic, D., Krondorfer, P., Unglaube, F., Kranzl, A., Zeppelzauer, M., & Horsak, B. (2024). Predicting ground reaction forces in overground walking from gait kinematics using machine learning. Gait & Posture, ESMAC Abstracts 2024, 113, 214–215. https://doi.org/10.1016/j.gaitpost.2024.07.231

Horst, F., Slijepcevic, D., Schöllhorn, W. I., Horsak, B., & Zeppelzauer, M. (2024). Explainable artificial intelligence for walking speed classification from vertical ground reaction forces. Gait & Posture, ESMAC Abstracts 2024, 113, 215–216. https://doi.org/10.1016/j.gaitpost.2024.07.232

News

28.04.2026