Dieses Bild wurde nach den geschätzten Bildkriterien bewertet und gilt als das wertvollste Bild auf Commons im Rahmen des Rahmens: St. Pölten Rathaus. Sie können seine Nominierung hier sehen. “In den letzten Jahren wurden immer wieder neue Ansätze für die automatische Analyse und Klassifizierung von Ganganalyse-Daten vorgestellt. Sie basieren jedoch in der Regel nur auf künstlich erstellten Datensätzen oder enthalten nur eine geringe Anzahl möglicher Funktionsdefizite. Das schränkt die Zuverlässigkeit solcher Methoden stark ein”, sagt der Sportwissenschaftler Brian Horsak, UAS-Dozent am Department of Health Sciences der UAS St. Pölten und Leiter des IntelliGait-Projekts. Der SKN St. Pölten hat derzeit zehn Jugendmannschaften für Kinder im Alter von 7 bis 15 Jahren mit insgesamt 150 Kindern und Jugendlichen. Neben den Juniorenmannschaften hat der Verein eine zweite Mannschaft (SKN II), die ihre Spiele in der Mid Western League austrägt, wobei der Kader hauptsächlich aus Kaderspielern unter 18 Jahren besteht.
St. Pölten schaffte mit dem Gewinn der Ersten Liga in der Saison 2015/16 den Aufstieg in die österreichische Bundesliga. Das IntelliGait-Projekt kann die Datenbank des Niederösterreichischen Rehabilitationszentrums, Weißer Hof AUVA , nutzen, die Gaitanalysedaten und damit verbundene Diagnosen von Patienten aus 20 Jahren klinischer Praxis enthält. Mit dieser Datensammlung wird ein allgemeines Modell normaler Gehmuster generiert, das verschiedene Parameter wie Gehgeschwindigkeit, Alter und Geschlecht berücksichtigt. Auf dieser Grundlage wird eine automatische Klassifizierung verschiedener Funktionsdefizite sowie Methoden entwickelt, die durch Abweichung vom Norm-Gait-Modell Daten aus der gesamten Datenbank abgleichen, um ähnliche Fälle und die damit verbundenen Diagnosen zu finden. Dies sollte Therapeuten dabei helfen, effizientere Diagnosen und Entscheidungen in der täglichen klinischen Praxis zu treffen. Für die Datenanalyse sollten Methoden der Mustererkennung und des maschinellen Lernens entwickelt werden. “Die Datenmenge, die uns im IntelliGait-Projekt zur Verfügung steht, ermöglicht den Einsatz selbstlernender Techniken wie neuronaler Netzwerke: zum einen, um Gangdaten automatisch klassifizieren zu können und aus den datentypischen Bewegungsmustern für verschiedene Pathologien zu lernen.