Innovaatioilla vaikuttavuutta terveysalan koulutukseen

Tekoälypohjainen liikkumisen analysoinnin teknologia tarjoaa lupaavia mahdollisuuksia objektiiviseen ja automaattisen toimintakyvyn arviointiin ja kuntoutustulosten seurantaan. Viime vuosien aikana konenäköön perustuvien ihmiskehon liikkeitä seuraavien mallien tarkkuus ja keveys ovat siirtyneet sellaiselle tasolle, että niitä voidaan käyttää kannettavilla tietokoneilla ja älypuhelimilla. Mallien pohjalta kehitettyjä sovelluksia voidaan jatkossa hyödyntää niin urheiluvalmennuksessa, kliinisessä työssä kuin tutkimuksessakin.   Tausta Metropolia osallistui OKM-rahoitteiseen Verkostoyhteistyöllä vauhtia tekoälypohjaisten virtuaaliteknologioiden saavutettavuuteen kuntoutuksessa -hankkeeseen, jossa etsittiin ja kehitettiin sovelluksia hyödyntäen uusia teknologioita.  Hankkeen tuotoksena Metropolia ammattikorkeakoulun asiantuntijat ja opiskelijat kehittivät yhteistyössä kaksi avoimen lähdekoodin tekoälypohjaista verkkosovellusta, joiden avulla voidaan: analysoida reaaliaikaisesti polven ja lantion asentoa yhden jalan kyykistysliikkeen aikana analysoida sivulta kuvatusta kävelyvideosta alaraajojen suurimpien nivelten kulmamuutoksia.   Asennon tunnistus ja seuranta Ihmisen asentoestimointi (pose estimation) voi kuvailla kyvykkyydeksi tunnistaa ja seurata kehon osia kuvista ja videoista (Zhang et al., 2020). Liikekaappausta on tehty heijastavien, kehoon kiinnitettävien, markkeripallojen avulla jo useita vuosikymmeniä, mutta asentojen ja liikkeiden tarkkaan seuraamiseen on tarvittu laboratorioympäristö, kalliit erikoislaitteet ja koulutettu henkilöstö. Laskentatehon kasvaminen ja konenäön kehittyminen ovat mahdollistaneet asentojen tunnistamisen yhä kevyemmillä välineillä. Markkeriton liikekaappaus, jossa kehon ihmiskehon tunnistaminen tapahtuu suoraan videokuvasta ilman kehon kiinnitettäviä mittalaitteita, perustuu syväopetettujen neuroverkkojen hyödyntämiseen. (Armitano-Lago et al., 2022). Neuroverkkojen opettamiseen on käytetty suuri määrä kuvia ihmisistä ja heidän kehon osista, jotka laskentamalli on oppinut tunnistamaan. Kuva 1 esittää markkeripohjaisen ja markkerittoman liikekaappauksen eroja. [caption id="attachment_3240" align="alignnone" width="376"] Kuva 1. Saman suorituksen vertailu kahdella eri menetelmällä. Vasemmalla markkeripohjainen 3D-malli ja vasemmalla videokuvasta markkerittomalla menetelmällä tunnistetut vasemman jalan nivelpisteet nilkasta, polvesta ja lonkasta. Kuva: Tom Thiel.[/caption] Erilaisia konenäköön perustuvia asennon tunnistus algoritmeja on ollut saatavilla jo vuosikymmenen. Vasta viime aikoina algoritmien nopeus, tarkkuus ja keveys on siirtynyt sellaiselle tasolle, että niitä voidaan hyödyntää tavanomaisilla laitteilla, kuten kannettavilla tietokoneilla ja älypuhelimilla. Raajojen asentojen ja liikkeiden lähes reaaliaikainen seuranta luo mahdollisuuden esimerkiksi objektiiviseen ja automaattisen toimintakyvyn arviointiin ja etäkuntoutukseen. (Cronin et al., 2023; Hellsten et al., 2021)   MediaPipe Pose Google Mediapipe on kokoelma avoimen lähdekoodin paketteja, jotka mahdollistavat konenäköön pohjautuvien sovellusten kehittämisen ohjelmointikielillä kuten Pythonilla tai JavaScriptillä. MediaPipea voidaan hyödyntää esimerkiksi viittomakielen tunnistamiseen, ilmeiden tunnistamiseen ja asennon tunnistamiseen (Mediapipe.io) [caption id="attachment_3241" align="alignnone" width="418"] Kuva 2. MediaPipen asentoestimontimalli perustuu 33 kehonpisteen eli maamerkin seurantaan.[/caption] Asentoestimointia MediaPipe Pose -paketissa on hyödynnetty kevyttä BlazePose -algoritmia (Bazarevsky et al., 2020). Se pystyy arvioimaan 33 kehon pisteen liikkeet yhdeltä henkilöltä, käytännössä mistä tahansa kuvasta tai videosta. Yhdistämällä pisteet toisiinsa, saadaan rakennettua henkilöstä kaksiulotteinen (2D) malli. Tämä malli on kehitetty erityisesti reaaliaikaista seurantaa varten ja sen tunnistuksen viive on vain muutamia kymmeniä millisekunteja. Laskentamallin tarkkuus on säädettävissä. Kevyemmillä asetuksilla mallin laskenta toimiin nopeammin, raskaammilla asetuksilla taas luotettavammin. Mediapipen laskentamalleja on pyritty hyödyntämään esimerkiksi reaaliaikaisessa kuntoiluliikkeiden seurannassa  (Chen et al., 2022), kaatumisen tunnistamisessa (Liu et al., 2022) sekä juoksun aika- ja matkamuuttujien mittaamisessa (Young et al., 2023)   Yhdellä kameralla toteutettu liikeanalyysi Kun ihmisen liikettä kuvataan yhdellä kameralla, pysytään siitä analysoimaan tasossa tapahtuvia liikkeitä. Videopohjaisen 2D-analyysin on todettu olevan hyväksyttävä tapa seurata ihmisen liikkeitä frontaalitasossa eli edestä kuvattuna (Schurr et al., 2017; Werner et al., 2019) ja sagittaalitasossa eli sivulta kuvattuna (Ota et al., 2020). Kiertoliikkeiden tulkinta sen sijaan on haastavaa eivätkä konenäköön perustuvat algoritmit ainakaan tällä hetkellä pysty mittaamaan kuvassa syvyyssunnassa tapahtuvia muutoksia luotettavasti. Tämän haasteen kiertämiseksi onkin kehitetty järjestelmiä, joissa useat synkronoidut ja kalibroidut videokamerat keräävät tietoa kolmiulotteiseen (3D) mallin luomiseksi. Vaikka näiden järjestelmien tarkkuus on todettu pääpiirteittäin luotettavaksi (Kanko et al., 2020; Lahkar et al., 2022), vaativat ne jälleen kalliita laitteita ja teknistä osaamista. Yhtä kameraa hyödyntävien 2D-mallien tarkkuudesta on tehty paljon tutkimusta (Wade et al., 2022). Mallien luotettavuutta on testattu valikoiduissa toimintakyvyn arviointiin liittyvissä testeissä, kuten yhden ja kahden jalan kyykistyksessä (Ota et al., 2020), hyppysuorituksissa, kävelyssä ja juoksussa (Ota et al., 2021; Young et al., 2023) ja vesijuoksun aikana (Cronin et al., 2019). Näillä testeillä on selkeitä käyttömahdollisuuksia toimintakyvyn arvioinnissa kuntoutuksessa. Esimerkiksi yhden jalan kyykistyksessä dynaaminen polven valgus voidaan tulkita epäsuotuisaksi liikemalliksi ja tunnistaa alaraajojen vammoihin liittyväksi riskitekijäksi (Mauntel et al., 2014; Räisänen et al., 2018). Toisaalta kävelystä tehtävä analyysi tuo monipuolisesti esiin mahdollisia liikkumisessa esiintyviä rajoitteita tai poikkeamia. Verkostoyhteistyöhankkeen sovellukset   Verkostohankkeen aikana Metropolian asiantuntijat ja opiskelijat kehittivät yhteistyössä kaksi erilaista JavaScript -sovellusta liiketietojen objektiivisen analysointiin. Tavoitteena oli saavuttaa sovelluksista ensimmäinen toimiva kehitysversio, jonka avulla teknologian toimintaa voitiin arvioida. Sovellusten toimintaan liittyvää pilotointia tehtiin kehitystiimin kesken. Kummankin sovelluksen MVP-toteutus (Minimum Viable Product) on siirretty verkkoon vapaasti saataville ja niiden käyttöönotto onnistuu ilman asennuksia. Sovellusten käyttöliittymät pyrittiin pitämään mahdollisimman yksinkertaisena siten, että jatkossa niistä on mahdollista jalostaa kevyitä ja käytännöllisiä työkaluja, jotka soveltuisivat niin kliinikoille, valmentajille kuin tutkijoillekin.   Yhden jalan kyykky -sovellus Ensimmäinen sovelluksista analysoi yhden jalan kyykistysliikettä ja siinä mahdollisesti tapahtuvaa polven sivuttaissuuntaista siirtymää ja lantion kallistuskulmaa. Liikkeeksi valittiin yhden jalan kyykky, koska se on riittävän yksinkertainen suorittaa ja polven linjauksen analysointi edestä katsottuna on suoraviivaista. Lisäksi liikkeen silmämääräistä havainnointia opetetaan Metropolian fysioterapian ja jalkaterapian tutkinto-ohjelmissa osana toimintakyvyn arviointia, joten sovelluksen ajateltiin lisäävän opiskelijoiden ymmärrystä tekoälypohjaisesta tiedonkeruusta ja analysoinnista. Käyttökohteita tälle sovellukselle ovat esimerkiksi etäkuntoutus, liikehallinnan seulonta ja kyykistysliikkeen harjoittelu biopalautteella. [caption id="attachment_3242" align="alignnone" width="442"] Kuva 3. Kuva polven kulman mittauksesta kyykistysliikkeen aikana. Vasemmalla hyvä liikehallinta, oikealla heikentynyt liikehallinta. Kuva: Tom Thiel.[/caption] Polven valgus-liike tapahtuu kolmiulotteisesti ja siihen liittyy sekä polven sisäkiertoa että abduktiota. Toisaalta on todettu, että pelkkää polven sivuttaissiirtymästä (Kuva 1) mitattua dynaamista valguskulmaa voidaan käyttää luotettavana indikaattorina yhden jalan kyykistysliikkeessä (Mauntel et al., 2014; Oldfather et al., 2020). Niinpä sovellukseen polven frontaalitason kulma määritettiin lonkan ja nilkan nivelpisteiden väliin käyttämällä vektoreiden skalaarituloa (Kaava 1). Kaavaa voidaan käyttää esimerkiksi kolmen pisteen välisen kulman laskemiseen. [caption id="attachment_3243" align="alignnone" width="194"] Vektoreiden skalaaritulo, jossa pisteet A, B ja C edustavat lonkan, polven ja nilkan nivelpisteitä.[/caption] Sovelluksen kehitys lähti liikkeelle kyykkysuorituksia sisältävien YouTube -videoiden analysoinnista. Tämän jälkeen kehitys jatkui Metropolian innovaatioprojektissa, jossa ohjelmistokehityksen opiskelijat rakensivat käyttöliittymän, tietokannan ja raportointityökalun. Opiskelijat Risto-Matti Leivo ja Samuel Ahjoniemi jatkoivat hankkeessa projektiassistentteina siirtäen sovelluksen kokeiluversion verkkoon kaikkien saataville osoitteeseen https://web-sls-test-tool.rahtiapp.fi FUNETin palvelimet tarjosivat tietoturvallisen ja luotettavan ratkaisun ohjelmistokontin säilytykseen. Sovelluksessa käyttöliittymästä voidaan valita mitattava polvi (vasen / oikea) ja sen jälkeen määritetään haluttu toistojen määrä. Itse mittauksen aikana 2D-malli skaalautuu henkilön koon mukaan ja antaa sekä visuaalisen että auditiivisen palautteen, kun kyykistyminen on riittävän syvä. Toistot lasketaan lonkkanivelen ja nilkkanivelen suhteellisen etäisyyden muutoksista. Mittauksen aikana suoritettujen toistojen määrä näkyy näytöllä. Raportoinnissa (Kuva 2) toistot on interpoloitu 101 (0–100) datapisteeseen. Toistoja voidaan tarkastella graafisesti raportilta ja verrata niiden yhdenmukaisuutta. Käyttöliittymän kautta suoritusta voi toistaa myös videotallenteena. Tietosuojasyistä tunnisteellinen videoaineisto tuhotaan session päätyttyä. Mallista tallennetut koordinaattitiedot sen sijaan säilyvät tietokannassa, ja ne voidaan tuoda CSV-muodossa tutkimuskäyttöä varten. [caption id="attachment_3244" align="alignnone" width="199"] Kuva 4. Kyykkysovelluksen esimerkkiraportti viiden toiston suorituksesta vasemmalla jalalla. Toistoista neljässä ensimmäisessä liikehallinta on ollut hyväksyttävällä tasolla, mutta viidennessä polven kulma on kääntynyt yli 20 astetta valgus-asentoon.[/caption] Kokonaisuudessaan kyykkysovelluksen käyttö on tehty hyvin yksinkertaiseksi ja se mahdollistaa nopeat kokeilut. Käyttöliittymän ja raportoinnin jatkokehitystä tullaan tekemään asiantuntijapalautteen perusteella.   Kävelysovellus Toinen hankkeessa kehitetty sovellus pyrkii analysoimaan sivulta kuvatusta kävelystä alaraajojen suurimmat nivelkulmamuutokset ojennus- ja koukistussuunnassa.  Näitä tietoja voidaan hyödyntää esimerkiksi kävelyn aikaisten puolierojen arviointiin. Sovellus analysoi ennalta kuvattuja videoita. Se käy kuva kerrallaan läpi valikoidun videon, kerää talteen maamerkkien koordinaatit, tunnistaa niistä automaattisesti kävelysuunnan, laskee nivelten väliset kulmat, jaksottaa kulmamuutokset askelsykleihin ja tuottaa aineistosta raportin. Käsittely kestää tavanomaisella tietokoneella (i5-1145, 16 GB) noin kaksikymmentä sekuntia. Analysointi tehdään paikallisesti eli videota ei lähetä verkon yli. Tämä nopeuttaa sovelluksen toimintaa ja parantaa sen tietoturvaa. Analysoinnin nopeutta voidaan lisätä käyttämällä tietokonetta, jossa on erillinen grafiikkasuoritin. Sovellusta pääsee kokeilemaan osoitteessa https://s-gait.rahtiapp.fi/ [caption id="attachment_3245" align="alignnone" width="553"] Kuva 5. Askellussovelluksen tietojen käsittely. Kuva: Tom Thiel.[/caption] Mielenkiintoinen vaihe sovelluksen kehityksessä liittyi askelsyklin automaattiseen tunnistukseen. Askelsykli mitataan kahden identtisen tapahtuman, esimerkiksi kantakosketuksen, väliltä. Sovelluksessa käytettiin askeltapahtumien määrittämiseen lonkka-, varvas- ja nilkkanivelten siirtymiä eteen-taakse suunnassa eli kuvakoordinaatiston x-akselilla. Tukivaiheen alku määritettiin hetkestä, jolloin lonkan ja kantapään etäisyys ovat maksimissa vartalon etupuolella. Tukivaiheen päättymien puolestaan määritettiin hetkestä, jolloin varpaiden ja lonkan pisteiden etäisyys ovat maksimissa vartalon takana. Tällaisen menetelmän on todettu tunnistavan kriittiset askellustapahtumat yhden ruudun tarkkuudella 94 % tapauksista. (Zeni et al., 2008) [caption id="attachment_3246" align="alignnone" width="456"] Kuva 6. Kaksi ruudunkaappausta kävelysovelluksen käyttöliittymästä. Vasemmalla kuvassa näkyy videon valinta ja asetustyökalut. Oikealla kuvassa on analysointi käynnissä. Kuva: Tom Thiel.[/caption] Sovellus analysoi molempien alaraajojen suurimpia nivelkulmia sagittaalitasossa. Mittausta varten polven kulma määritettiin samalla tavalla kuin kyykkysovelluksessa. Lonkan ja nilkan osalta kulmien määrittäminen oli haastavampaa, sillä MediaPipen -mallista puuttui oleellisia maamerkkejä tyypillisten kliinisten nivelkulmalaskelmien tekemiseksi. Nilkan ojennus ja koukistuskulmat määriteltiin vertaamalla sääriluun asentoa varpaiden ja kannan väliseen linjaan. Lonkan nivelkulma määriteltiin polven, lonkan ja hartian välille. Sovelluksen toimintaa pilotointiin eri ympäristöissä, eri laatuisilla videoilla, eri kävelynopeuksilla ja muutamilla eri koehenkilöillä. Pilotoinnin yhteydessä huomattiin, että mallia kannattaa ajaa sen raskaimmilla asetuksilla, koska se lisää huomattavasti maamerkkien tunnistamisen ja seurannan luotettavuutta. Toisaalta raskaampi laskentamalli ei hidasta juuri lainakan käsittelyaikaa. Pilotoinnin tuloksena voidaan todeta, että polven osalta sovelluksen mittausta voidaan pitää jokseenkin luotettavana ja tulokset eri kävelynopeuksilla ja ympäristöissä antavat kohtuullisen toistettavia arvoja. Vastaavaan tulokseen on päädytty myös toisessa tutkimuksessa, jossa MediaPipe -mallia on hyödynnetty juoksumatolla (Young et al., 2023). Lonkan osalta mittauksen tuottama käyrä on normaalin muotoista, mutta astelukemat poikkeavat huomattavasti kävelymatolla mitatuista normaaliarvoista (Fukuchi et al., 2018). Nilkan osalta mittaus niin ikään näyttää tyypillisen muotoiselta, mutta vaihteluväli on kaksinkertainen verrattuna normaaliin (Fukuchi et al., 2018). Jotta lonkan mittaus saataisiin luotettavammaksi, täytyisi alaselästä löytyä seurattava maamerkki. Nilkan epätarkkuuteen vaikuttaa puolestaan eniten se, että maamerkkien seuranta ei pysy vakaana. Toinen huomionarvoinen tekijä nilkan seurannassa on, että kannan ja varpaiden välille asetettava suora linja ei lähtökohtaisesti tunnista varpaiden ojentumista päätöstukivaiheessa. Parempi seurattava maamerkki kävelyn kannalta olisikin 2. metatarsaalipää.   Lopuksi Verkostohankkeessa kehitettiin kaksi sovellusta, jotka hyödynsivät avoimen MediaPipen Pose -mallia. Ensimmäinen sovelluksista mittasi polven dynaamista valgus-kulmaa. Toinen analysoi kävelyä sivulta. Pilotoinnin tuloksena todettiin, että polven dynaamisen valgus-kulman mittaus MediaPipen avulla on lupaava tapa seurata kyykistysliikkeen laatua ja antaa siitä objektiivista palautetta. Sen sijaan kävelyyn liittyen MediaPipen seurantatarkkuus ja maamerkkien sijainti eivät olleet optimaalisia. Tämä saattaa johtua siitä, että avoimen lähdekoodin mallit eivät ole alun perin suunniteltu biomekaniikkasovelluksiin, joten datasetit ja nivelkeskipisteiden sijainnit, joilla ne on koulutettu, ovat epätarkkoja ja antavat epäjohdonmukaisia tuloksia (Wade et al., 2022). Tästä huolimatta markkeritonta liikekaappausta voidaan pitää lupaavana teknologiana, jonka avulla pystytään jatkossa siirtämään mittauksia laboratorion ulkopuolelle. MediaPipen mallia onkin onnistuneesti hyödynnetty juoksussa aika- ja matkamuuttujien seurantaan hyvällä tarkkuudella (Young et al., 2023). Työ markkerittoman liikekaappauksen luotettavuuden ja tekoälypohjaisten liikeanalyysisovellusten kehittämisen parissa jatkuu Metropolian liikelaboratoriossa Kuntoutus- ja tutkiminen -osaamisalueen rahoittamana. Ensinnäkin vuoden 2023 aikana selvitetään tämän hankkeen sovelluksien taustalla toimivan BlazePose -algoritmin toistettavuutta ja luotettavuutta 3D-liikeanalyysijärjestelmää vasten. Toiseksi saksalainen Contemplas on kehittänyt nimenomaan kävelyyn ja juoksuun soveltuvan 2D-mallin, jonka suorituskykyä tullaan testaamaan. Kolmanneksi Hytke-hankkeeseen (https://hytke.metropolia.fi/) liittyen kyykkysovelluksen jatkokehitystä varten tullaan keräämään asiantuntijalausuntoja kliinikoilta, valmentajilta ja tutkijoilta. Jatkokehityksessä keskitytään sovellusten käyttöliittymien ja käytettävyyden parantamiseen.   Tekninen sanasto Termi Selite Konenäkö Automaattiseen kuvankäsittelyyn perustuva tietokoneohjelma, joka tulkitsee kuvavirtaa ja pyrkii tunnistamaan siitä itselleen tuttuja piirteitä, kuten esimerkiksi ihmiskehon, kasvot ja raajat. Käsittelyn aikana kuvavirta muutetaan numeeriseen muotoon, jota voidaan hyödyntää analyyseihin ja päätöksentekoon. Asentoestimointi Konenäköön pohjautuvat tekniikka, joka pyrkii ennustamaan ja seuraamaan ihmisen tai esineen asentoja ja sijaintia. Ihmisen asentoestimoinnissa konenäkömalli pyrkii yhdistämään eri osista (esim. käsistä ja jaloista) saatavia tietoja ja rakentamaan niistä yhtenäisen mallin. Markkeripohjainen liikekaappaus Ihmisen kehon liikkeiden objektiivista seurantaa ja tallentamista. Menetelmä perustuu heijastavien markkeripallojen seuraamiseen. Pallot on kiinnitetty ihon pintaan kaksipuoleisella teipillä.  Menetelmää käytetään niin biomekaaniseen mallintamiseen, mutta myös liikkeen tuottamiseen peli- ja elokuvahahmoille. Tuloksena saadaan kolmiulotteista tietoa kehon osien koordinaateista, joita voidaan hyödyntää asentojen tunnistamisessa ja liikkeen seuraamisessa. Markkeriton liikekaappaus Konenäköön pohjautuva menetelmä, jossa yhdestä tai useammasta videokuvasta tunnistetaan ihmishahmo ja seurataan sen liikkeitä objektiivisesti. MediaPipe Googlen julkaisema paketti avoimen lähdekoodin tekoälymalleja. MediaPipe helpottaa valmiiden tekoälymallien käyttöönottoa ja niiden intergrointia sovelluksiin. Paketti sisältää malleja mm.  kehon liikkeiden seurantaa tai tarkemmin jonkin kehon osan, kuten vaikkapa sormien nivelten tai silmien liikkeiden seurantaan. BlazePose BlazePose on Googlen kehittämä koko kehon asentojen tunnistusalgoritmi, joka pystyy havaitsemaan ihmisen kehosta 33 eri kohdan sijainnit kuvassa tai videossa. BlazePose on yksi osa MediaPipe -pakettia. Ohjelmistokontti Ohjelmistokontit ovat standardoitu tapa pakata ohjelmisto siten, että sitä voidaan siirtää paikasta toiseen ilman, että ohjelmistoa tarvitsee muokata. Koodi on usein riippuvainen erilaisista kirjastoista, lisäosista ja asetuksista. Konttiin pakattuna kaikki osat matkustavat käyttövalmiina.   FUNET Funet (Finnish University and Research Network) on Suomen korkeakoulujen, tutkimuksen ja opetuksen tietoverkko. Funetissa on noin 80 tutkimusorganisaatiota ja noin 370 000 käyttäjää. Se tarjoaa käyttäjilleen nopeat ja tietoturvalliset palvelut esimerkiksi tiedostojen ja ohjelmistojen säilytykseen.     Kirjoittajat: Tom Thiel, laboratorioinsinööri, Metropolia AMK Anu Valtonen, yliopettaja, Metropolia AMK   Lähteet Armitano-Lago, C., Willoughby, D., & Kiefer, A. W. (2022). A SWOT Analysis of Portable and Low-Cost Markerless Motion Capture Systems to Assess Lower-Limb Musculoskeletal Kinematics in Sport. Frontiers in Sports and Active Living, 3. Bazarevsky, V., Grishchenko, I., Raveendran, K., Zhu, T., Zhang, F., & Grundmann, M. (2020). BlazePose: On-device Real-time Body Pose tracking (arXiv:2006.10204). arXiv. Chen, K.-Y., Shin, J., Hasan, M. A. M., Liaw, J.-J., Yuichi, O., & Tomioka, Y. (2022). Fitness Movement Types and Completeness Detection Using a Transfer-Learning-Based Deep Neural Network. Sensors (Basel, Switzerland), 22(15), 5700. Cronin, N. J., Mansoubi, M., Hannink, E., Waller, B., & Dawes, H. (2023). Accuracy of a computer vision system for estimating biomechanical measures of body function in axial spondyloarthropathy patients and healthy subjects. Clinical Rehabilitation, 02692155221150133. Cronin, N. J., Rantalainen, T., Ahtiainen, J. P., Hynynen, E., & Waller, B. (2019). Markerless 2D kinematic analysis of underwater running: A deep learning approach. Journal of Biomechanics, 87, 75–82. Fukuchi, C. A., Fukuchi, R. K., & Duarte, M. (2018). A public dataset of overground and treadmill walking kinematics and kinetics in healthy individuals. PeerJ, 6, e4640. Hellsten, T., Karlsson, J., Shamsuzzaman, M., & Pulkkis, G. (2021). The Potential of Computer Vision-Based Marker-Less Human Motion Analysis for Rehabilitation. Rehabilitation Process and Outcome, 10, 11795727211022330. Kanko, R., Laende, E. K., Davis, E. M., Selbie, W. S., & Deluzio, K. J. (2020). Concurrent assessment of gait kinematics using marker-based and markerless motion capture [Preprint]. Bioengineering. Lahkar, B. K., Muller, A., Dumas, R., Reveret, L., & Robert, T. (2022). Accuracy of a markerless motion capture system in estimating upper extremity kinematics during boxing. Frontiers in Sports and Active Living, 4. Liu, W., Liu, X., Hu, Y., Shi, J., Chen, X., Zhao, J., Wang, S., & Hu, Q. (2022). Fall Detection for Shipboard Seafarers Based on Optimized BlazePose and LSTM. Sensors (Basel, Switzerland), 22(14), 5449. Mauntel, T. C., Frank, B. S., Begalle, R. L., Blackburn, J. T., & Padua, D. A. (2014). Kinematic differences between those with and without medial knee displacement during a single-leg squat. Journal of Applied Biomechanics, 30(6), 707–712. Oldfather, T., Zabala, M., Goodlett, M., & Murrah, W. (Hank). (2020). Knee Valgus Versus Knee Abduction Angle: Comparative Analysis of Medial Knee Collapse Definitions in Female Athletes. Journal of Biomechanical Engineering, 142(12). Ota, M., Tateuchi, H., Hashiguchi, T., & Ichihashi, N. (2021). Verification of validity of gait analysis systems during treadmill walking and running using human pose tracking algorithm. Gait & Posture, 85, 290–297. Ota, M., Tateuchi, H., Hashiguchi, T., Kato, T., Ogino, Y., Yamagata, M., & Ichihashi, N. (2020). Verification of reliability and validity of motion analysis systems during bilateral squat using human pose tracking algorithm. Gait & Posture, 80, 62–67. Räisänen, A. M., Pasanen, K., Krosshaug, T., Vasankari, T., Kannus, P., Heinonen, A., Kujala, U. M., Avela, J., Perttunen, J., & Parkkari, J. (2018). Association between frontal plane knee control and lower extremity injuries: A prospective study on young team sport athletes. BMJ Open Sport & Exercise Medicine, 4(1), e000311. Schurr, S. A., Marshall, A. N., Resch, J. E., & Saliba, S. A. (2017). TWO-DIMENSIONAL VIDEO ANALYSIS IS COMPARABLE TO 3D MOTION CAPTURE IN LOWER EXTREMITY MOVEMENT ASSESSMENT. International Journal of Sports Physical Therapy, 12(2), 163–172. Wade, L., Needham, L., McGuigan, P., & Bilzon, J. (2022). Applications and limitations of current markerless motion capture methods for clinical gait biomechanics. PeerJ, 10, e12995. Werner, D. M., Di Stasi, S., Lewis, C. L., & Barrios, J. A. (2019). Test-retest reliability and minimum detectable change for various frontal plane projection angles during dynamic tasks. Physical Therapy in Sport: Official Journal of the Association of Chartered Physiotherapists in Sports Medicine, 40, 169–176. Young, F., Mason, R., Morris, R., Stuart, S., & Godfrey, A. (2023). Internet-of-Things-Enabled Markerless Running Gait Assessment from a Single Smartphone Camera. Sensors, 23(2), Article 2. Zeni, J. A., Richards, J. G., & Higginson, J. S. (2008). Two simple methods for determining gait events during treadmill and overground walking using kinematic data. Gait & Posture, 27(4), 710–714. Zhang, F., Zhu, X., Dai, H., Ye, M., & Zhu, C. (2020). Distribution-Aware Coordinate Representation for Human Pose Estimation. 7093–7102.

Kuntoutusalan osaaminen kehittyy ja uudistuu. Samaan aikaan kuntoutusalan opettajan työtehtävät ovat laajentuneet eikä työ kohdistu pelkästään opettamiseen. Opettajat työskentelevät monilla rajapinnoilla pyrkimyksenään mahdollistaa opiskelijoiden osaamisen kehittyminen ja tulevaisuuden laadukas kuntoutus. Työhön kuuluu myös oman alan kehittäminen. Opettajan työn keskiössä on kuitenkin mahdollistaa opiskelijoiden osaamisen kehittyminen kuntoutuksen asiakkaiden parhaaksi, jolloin keskeiseksi nousee myös opettajan oma kuntoutusosaaminen ja sen kehittyminen. Ammattikorkeakoulu tarjoaa puitteet opettajan työlle, ja tällä hetkellä korkeakoulutus uudistuu kohti joustavampaa opintojen suorittamista, parempaa koulutuksen saatavuutta sekä jatkuvaa oppimista pyrkimyksenä tarjota osaamisen kehittämistä entistä useammille (Opetus- ja kulttuuriministeriö 2019.) Näen, että koulutuksen ja opettajuuden tulisi olla ketterää ja pyrkiä luomaan uutta. Kiireisessä arjessa opettajana tukeudun helposti jo olemassa oleviin rutiineihin ja käytäntöihin sekä liialliseen asiantuntijakeskeisyyteen. Tiedän, ettei se ole välttämättä tehokas ratkaisu osaavien ammattilaisten kouluttamiseen ja oman alan kehittämiseen. Tunnistan, että opiskelija on aktiivinen toimija, joka käsittelee asioista omasta ymmärryksestään käsin ja että osaamisen tulisi rakentua yhteistyössä kentällä työskentelevien asiantuntijoiden ja asiakkaiden kanssa. Opettaja on monessa mukana ja arjessa herää toisinaan huoli siitä, ettei uudistu riittävästi. Pysyvätkö omat kliiniset taidot ajan tasalla? Onko vuorovaikutus työelämän kanssa riittävää? Mahdollistanko opiskelijoille tulevaisuuden työelämässä tarvittavien taitojen kehittymisen? Kuntoutusosaaminen Salla Sipari ja Elisa Mäkinen kirjoittivat jo vuonna 2012 yhdessä rakentuvasta kuntoutusosaamisesta. Kuntoutusalan osaajan tulisi osata toimia joustavasti asiakkaan verkostoissa niin, että asiakkaan apu ja tuki rakentuvat asiakkaan omaan toimintaympäristöön mahdollistaen mielekkään ja sujuvan toiminnan arjessa. Kuntoutusalan ammattilainen tarvitsee yhteiskehittelyn näkökulmaa ja osaamista kyetäkseen kehittämään kuntoutusta yhdessä asiakkaan, koulutuksen järjestäjien sekä muiden ammattilaisten kanssa. (Sipari & Mäkinen 2012: 32–34.) Johanna Holvikiven blogiteksissä Pysynkö mukana? Kuntoutuksen muutos uudistuvassa sotessa nostetaan esille kuntoutuksen alueen nousevia ja korostuvia osaamisia viitaten Valtioneuvoston selvitys- ja tutkimustoiminnan kevään 2018 julkaisuun Optimoitu sote-ammattilaisten koulutus- ja osaamisuudistus. Esille nostettiin palveluohjaus ja kuntoutujan ohjaus, digitalisaatio, kuntoutusteknologia, näyttöön perustuva toiminta, liiketoimintaosaaminen, innovaatiotoiminta, talousosaaminen sekä moniammatillinen toiminta. Kuntoutusalan opettajan osaaminen Kuntoutusalan ammattilaisen tulee yhä enenevissä määrin osata toimia erilaisissa verkostoissa tehden yhteistyötä sekä tunnistaen omaa ja toisten osaamista. Kuntoutusalan opettaja tarvitsee tätä samaa osaamista. Olen huomannut, että opettajana tärkein tehtäväni on mahdollistaa yhteistyön tekeminen ja luoda rakenteita sille. Esimerkiksi hankkeiden hyödyntäminen osana opetusta ja verkko-opetuksen lisääminen ovat mahdollistaneet yhteistyön aiempaa useampien tahojen kanssa. Verkko-opetuksen avulla on ollut mahdollista rakentaa laajempi verkosto kiinnostuksen kohteena olevan aiheen ympärille ja keskustelu kuntoutusalan ammattilaisen, opiskelijoiden ja opettajan välillä on ollut ketterämpää. Verkon välineet ovat mahdollistaneet myös luokkatyöskentelyä yksilöllisemmät ratkaisut opiskelijan oppimisen tukemiseksi. Hankkeet ovat puolestaan mahdollistaneet aidoissa konteksteissa työskentelyn yhteisen kiinnostuksen äärellä. Opettajan, opiskelijan ja kuntoutuksen ammattilaisen ammattitaito ja asiantuntijuus kehittyvät yhteisen keskustelun äärellä, kun aiempia tietoja ja taitoja haastetaan ja uutta ymmärrystä muodostetaan. Opiskelijoiden työn avulla mahdollistetaan myös uusia kokeiluja, palveluja sekä lisäresursseja asiakkaiden kanssa työskentelyyn. Kaikki osapuolet hyötyvät ja oppivat uutta. Tekemällä yhteistyötä ja tietämisen vastuuta jakamalla opettajan on mahdollista olla mukana kehittämässä kokonaisvaltaisesti kuntoutusosaamista ja oman alan palveluita sekä kehittää myös omaa osaamistaan. Jatkuva oppiminen mahdollistuu yhdessä Ratkaisu alan kehittämiseen, jatkuvaan oppimiseen sekä osaamisen syventymiseen joustavassa monimuoto-opetuksessa on entistä tiiviimpi yhteistyö eri organisaatioiden kanssa (ks. Holvikivi 2018  Pysynkö mukana? Kuntoutuksen muutos uudistuvassa sotessa). Monipuolinen oppimisympäristöjen hyödyntäminen mahdollistaa kaikille osapuolille rajapintojen ylityksiä. Kokonaisuutta tukee ymmärrys siitä, että kuntoutusosaaminen kehittyy yhdessä. Opetuksen, oman alan ja osaamisen kehittämisen ei tarvitse olla toisistaan irrallisia osia. Myös ammattikorkeakoulujen yhteistyöllä uudistetaan, vahvistetaan ja kehitetään kuntoutuksen koulutusta kuntoutujien parhaaksi esimerkiksi OsKu – osaamista kuntoutukseen -hankkeessa. Osaaminen, tiedot ja taidot kehittyvät dialogissa erilaisia ajatuksia, käsityksiä ja kokemuksia törmäyttämällä. Näin rakennetaan yhteistä ymmärrystä ja asiantuntijuus kehittyy asiakkaiden hyväksi. Oppimisen prosessiin voivat osallistua niin hankekumppanit, asiakkaat, asiantuntijat kuin eri alojen opiskelijat ja opettajat. Digitaaliset ympäristöt mahdollistavat ketterää yhteistyötä ja verkostojen laajenemisen niin, että oppimisen prosessiin voi osallistua asiantuntijat entistä laajemmin eri puolilta Suomea ja kansainvälisesti. Näin jatkuva oppiminen ja kuntoutusosaaminen rakentuminen mahdollistuvat kaikille osapuolille, myös opettajalle. Kirjoittaja: Sanna Piikki toimii lehtorina Metropolia Ammattikorkeakoulussa toimintaterapian tutkinto-ohjelmassa. Lähteet Holvikivi, Johanna 2018. Pysynkö mukana? Kuntoutuksen muutos uudistuvassa sotessa. Blogikirjoitus Rehablogissa 11.9.2018. Saatavana osoitteessa: https://blogit.metropolia.fi/rehablogi/2018/09/11/pysynko-mukana-kuntoutuksen-muutos-uudistuvassa-sotessa-kettera-osaaminen-on-ytimessa-tulevaisuuden-kuntoutuksen-kentalla/ Luettu 9.11.2019. Osku – osaamista kuntoutukseen. Saatavana osoitteessa: https://www.metropolia.fi/tutkimus-kehittaminen-ja-innovaatiot/hankkeet/osku-osaamista-kuntoutukseen/. Luettu 9.11.2019. Opetus- ja kulttuuriministeriö 2019. Korkeakoulutus ja tutkimus 2030-luvulle, Vision tiekartta. Saatavana osoitteessa: https://valtioneuvosto.fi/documents/1410845/12021888/Korkeakoulutus+ja+tutkimus+2030-luvulle+VISION+TIEKARTTA_V2.pdf/43792c1e-602a-4776-c3f9-91dd66ba9574/Korkeakoulutus+ja+tutkimus+2030-luvulle+VISION+TIEKARTTA_V2.pdf. Luettu 1.11.2019. Sipari, Salla & Mäkinen, Elisa 2012. Yhdessä rakentuva kuntoutusosaaminen. Metropolia Ammattikorkeakoulun julkaisusarja AATOS-Artikkelit 6. Saatavana osoitteessa:  https://www.metropolia.fi/fileadmin/user_upload/TK/Julkaisut/pdf/AATOS_6_2012_Sipari_Makinen.pdf Katso myös kuntoutusalan koulutukseen liittyen: Kangasniemi, Mari & Hipp, Kirsi & Häggman-Laitila, Arja & Kallio, Hanna & Karki, Suyen & Kinnunen, Pirjo & Pietilä Anna-Maija & Saarnio, Reetta & Viinamäki, Leena & Voutilainen, Ari & Walden, Anne 2018. Optimoitu sote-ammattilaisten koulutus- ja osaamisuudistus. Valtioneuvoston selvitys- ja tutkimustoiminnan julkaisusarja 39/2018. Saatavana osoitteessa: http://valtioneuvosto.fi/artikkeli/-/asset_publisher/10616/sote-osaamisen-optimoinnilla-vaikuttavaa-ja-asiakaslahtoista-palvelua. Luettu 1.11.2019 Sipari, Salla 2019. Yhteiskehittelyllä tuloksellisuutta kuntoutukseen. Metropolia Master's bloggaajat. Blogikirjoitus 27.3.2019. https://blogit.metropolia.fi/masterminds/avainsana/salla-sipari/. Luettu 9.11.2019. Sipari, Salla & Mäkinen, Elisa & Kekäläinen, Kaija & Paalasmaa, Pekka & Harra, Toini 2016. Uudistuva kuntoutusosaaminen – työ ja koulutus yhdessä. Helsinki: Metropolia Ammattikorkeakoulu. https://docplayer.fi/27418682-Metropolia-ammattikorkeakoulu-uudistuva-kuntoutusosaaminen-tyo-ja-koulutus-yhdessa.html. Luettu 9.11.2019. Harra, Toini & Roivas, Marianne 2014. Kuntoutuksen koulutuksen päivät. Metropolia Ammattikorkeakoulu. Saatavana osoitteessa: http://kuntoutuskoulutuksessa.metropolia.fi/#/article/1/page/1. Luettu 9.11.2019.

Kirjoittaja Salla Sipari, yliopettaja, Metropolia AMK Ihmisen aivot tarvitsevat oppimisessa tunteita. Voimakkaat tunteet vahvistavat oppimiskokemusta. Kuntoutumisessa on usein kyse yksilön ja ympäristön muutosprosessista, jolloin opitaan uutta sekä omaksutaan uudelleen jo osattua asiaa. Meillä on paljon kuntoutuksessa tarvittavaa tietoa, mutta miten tähän osataan yhdistää ilo ja into kuntoutumisessa? Sote-uudistuksessa asiakkaan valinnanvapaus korostuu. Tällöin alalla menestymisessä ratkaisevan tärkeää voi olla kuntoutujan tunteiden tunnistaminen ja niiden hyödyntäminen kuntoutuksen tavoitteiden saavuttamisessa. Yhtäältä kuntoutuja aistii ammattilaisen tunteita ja sitä, tekeekö ammattilainen aidosti innostuneesti työtään. Ammattilaisen työn merkityksellisyyden kokemus rakentuu hänen auttaessaan kuntoutujia hyvään elämään. Tällöin hyvän tahtominen toiselle välittyy vastavuoroisessa yhteistoiminnassa (ks. Harra 2014). Inklusiivisesta koulutuksesta väitellyt toimintaterapeutti, MBA, Salvador Simó on jalostanut ongelmaperustaista oppimista (PBL) kohti haasteisiin perustuvaa oppimista (kuva). Tällöin tiedon lisäksi ratkaisujen lähtökohtana ovat eettinen tietoisuus ja intohimo. Edelleen näyttöön perustuvasta (EBP) toiminnasta Simó on päätynyt korostamaan ihmisyyteen perustuvaa toimintaa. Käytännössä nämä teoreettiset viitekehykset toteutuvat tekemällä oppimisena ihmisen toimintaympäristöissä, yhteisöissä ja arjessa. Oleellista on ympäristön hyödyntäminen oppimisessa monipuolisesti ja luovasti. Tällaisia toimintaympäristöjä voivat olla vaikkapa museot ja leikkikentät. Loistava esimerkki ammattilaisten intohimosta kuntoutustoimintaan sekä luonnon ja merkityksellisen toiminnan hyödyntämisestä on Terafish-yritys. Kalastuksen tutkittujen terveysvaikutusten lisäksi yrityksessä korostetaan kokemuksia ja havaintoja, elämyksellisyyttä – voimaa kalastuksesta. Terafish toteuttaa kuntoutumista tukevaa terapeuttista kalastusta, jossa on huomioitu esteetön ympäristö kuntoutujille. Ihmisten kokema työn liiallinen taakka ja kiire on tunnistettu ainakin jo 1400-luvulla, ja tähän perustuen etiikan ja lääketieteellisen filosofian professori Ignaas Devisch toteaa: ”We work less, but we have more to do.” Tällä hän tarkoittaa sitä, että samalla kun valitamme stressiä, täytämme kalenterimme useilla päivittäisten tehtävien hoidoilla, jotka koemme velvollisuudeksemme. Näiden tehtävien hoitamatta jättäminen tuottaisi huonon omantunnon. Devish kuitenkin kehottaa seuraamaan omia intohimojaan, vaikka tämä tarkoittaisi kontrollin menettämistä ajankäytöstä ja kysyy: ”Since when does a good life have to be balanced?” Menneinä aikoina elämä on ajoittain keskittynyt hengissä pysymiseen, ruoan hankkimisen ja tuvan lämmittämiseen. Tänä päivänä kysytään, miksi pysyä hengissä, mikä on merkityksellistä elämässä? Kyllästyneisyyden on epäilty olevan 2010-luvun suurin ongelma, kun talouden hoito on automatisoitu ja lomatkin jo valmiiksi ohjelmoitu. Ihmisten olisi löydettävä oma intohimonsa ja oltava ylpeitä toiminnastaan. Heidän olisi arvostettava itseään ja yhteisöään. Intohimon tietoinen käyttö kuntoutumisessa vahvistaa motivaatiota ja sitoutumista ja tätä kautta edistää tuloksellista kuntoutusta sekä kuntoutujien että ammattilaisten näkökulmasta. Tämä haastaa meidät uudenlaisen kuntoutumisosaamisen äärelle − mahdollistamaan merkityksellisyyden kokemuksia, iloa ja elämyksiä. Metropolia Ammattikorkeakoulun ja Lastensuojelun Keskusliiton toteuttamassa, Kelan rahoittamassa LOOK-hankkeessa (Lasten oikeus osallistua kuntoutukseen – lapsen edun arviointi)  kehitettiin vuosina 2015−2017 uusia työvälineitä lasten kuntoutukseen. Näissä välineissä keskiössä on lapselle merkityksellinen toiminta kuntoutumisessa. Lapselle merkityksellisen toiminnan tunnistamista lapsen kehitysympäristössä hyödynnetään kuntoutumisen suunnittelussa, toteuttamisessa ja arvioinnissa. Tällöin oppimisen perustana on lapsen maailma, hänelle tärkeät asiat. Nämä uudet Lapsen metkut -välineet löytyvät e-julkaisuna. Yksilölle tärkeiden asioiden luovaa käyttöä hänen tavoitteidensa saavuttamisessa voisi tulevaisuudessa edistää enemmänkin innovatiivisessa oppimisessa kuntoutusalalla ja kuntoutusalan koulutuksessa. Kirjoitus perustuu terveysalan koulutusverkoston Cohehre-kongressin 18.−20. 2018 avainpuhujien esityksiin Gentissä. Kongressin pääteemana olivat yrittäjyys ja yhteiskehittäminen.