Liikeanalyysin tavoitteena on kuvata, miten ihminen tuottaa liikettä, miten kehon eri osat osallistuvat siihen ja miten liike muuttuu vammojen, kiputilojen tai harjoittelun seurauksena [1,2]. Tätä varten keho mallinnetaan sarjaksi jäykkiä segmenttejä, jotka liittyvät toisiinsa nivelten kautta. Kun segmenttien sijainti ja suunta tunnetaan, voidaan laskea esimerkiksi nivelkulmat, kehon massakeskipiste ja myöhemmin myös nivelvoimat. [2]
Liikeanalyysi on aina kontekstisidonnaista. Liike muuttuu tilanteen, ympäristön ja tehtävän mukaan, joten analyysin tulee huomioida, missä olosuhteissa liike tapahtuu. Esimerkiksi laboratorio-olosuhteissa mitattu liike ei välttämättä vastaa todellista urheilusuoritusta. Siksi analyysi tulisi mahdollisuuksien mukaan tehdä luonnollisissa ympäristöissä ja suorituksissa, jotka vaativat urheilijan tai potilaan todellisia vaatimuksia. [1]
Kamerapohjaisia liikeanalyysimenetelmiä ovat 2D- ja 3D-liikeanalyysi. 2D‑järjestelmät ovat yksinkertaisia, edullisia ja helposti käytettäviä, mutta ne rajoittuvat yhteen liikesuuntaan ja ovat herkkiä virheille, kuten perspektiivivirheelle. 3D‑järjestelmät ovat huomattavasti tarkempia ja mahdollistavat liikkeen analysoinnin kaikissa tasoissa, minkä vuoksi niitä pidetään kinematiikan “kultaisena standardina”. Niiden käyttö vaatii kuitenkin kalliimpaa laitteistoa, tarkkaa kalibrointia ja enemmän asiantuntemusta. [3]
Liikeanalyysi on perinteisesti tehty joko manuaalisesti tai markkeripohjaisilla kamerajärjestelmillä. Manuaalisessa digitoinnissa tutkija merkitsee nivelpisteet videolta ruutu kerrallaan, mikä on hidasta ja altista virheille, mutta toimii tilanteissa, joissa markkereita ei voida käyttää, kuten urheilukilpailuissa. Markkeripohjaiset järjestelmät automatisoivat pisteiden seurannan ja mahdollistavat tarkan kolmiulotteisen analyysin laboratorio-olosuhteissa. Ne ovat pitkään olleet alan kultainen standardi, mutta niihin liittyy myös haasteita, kuten pehmytkudosten liike, markkereiden irtoaminen ja se, että järjestelmät toimivat huonosti laboratorioiden ulkopuolella. [2]
Kehonosiin kiinnitetään markkereita, joiden avulla pystytään seuraamaan, miten esimerkiksi reisi liikkuu kävellessä. Jotta liike voidaan tulkita oikein, täytyy ensin tietää, missä asennossa reisi on silloin, kun tutkittava seisoo paikallaan. Tätä varten tehdään kalibrointi, jossa markkereiden sijainnit mitataan tarkasti ja niiden koordinaatit tallennetaan. Näiden tietojen avulla voidaan määrittää kolmiulotteinen koordinaatisto, joka vastaa raajan anatomisia akseleita. [4]
Kun anatomiset akselit on määritetty, voidaan laskea matemaattinen muunnos, joka kertoo, miten markkereiden muodostama koordinaatisto liittyy näihin anatomisiin suuntiin. Tämä muunnos pysyy samana koko liikkeen ajan. Sen sijaan markkereiden sijainti laboratoriossa tai kenttäolosuhteissa muuttuu jokaisella videon ruudulla, ja näiden perusteella lasketaan toinen muunnos, joka kuvaa markkereiden asennon suhteessa laboratorioon tai kenttäolosuhteisiin. Kun nämä kaksi muunnosta yhdistetään, saadaan tieto siitä, missä asennossa raaja on anatomisesti jokaisella ajanhetkellä. Tästä voidaan ratkaista kolme kulmaa, jotka kuvaavat raajan kiertoa eri suunnissa. Näiden kulmien avulla voidaan seurata esimerkiksi sitä, miten raaja kiertyy ja liikkuu kävelyn aikana. [4]
Eläinten liikeanalyysin erityishaasteet
Hevosten ja eläimien liikkeen tutkiminen on erityisen haastavaa, koska eläimet eivät voi vastaanottaa ohjeita samalla tavalla kuin ihmiset eivätkä välttämättä liiku toistettavasti ilman harjoittelua tai motivointia [3,5]. Tämän vuoksi tutkimusasetelman huolellinen suunnittelu on keskeistä. Eläimen tulisi liikkua mahdollisimman luonnollisesti, ja ympäristön on oltava rauhallinen ja turvallinen, jotta liikkuminen ei muutu stressin tai epävarmuuden seurauksena. [3]
Lisäksi eläinten anatominen vaihtelu on huomattavasti suurempaa kuin ihmisillä. Esimerkiksi koirarotujen välillä on merkittäviä eroja rungon mittasuhteissa, raajojen kulmissa ja liikkumistavoissa, mikä vaikeuttaa standardoitujen mittausprotokollien kehittämistä. Tämän vuoksi analyysimenetelmien on oltava riittävän joustavia yksilöllisten erojen huomioimiseksi. [3]
Hevosten liikkuminen tapahtuu usein suurilla nopeuksilla, mikä asettaa vaatimuksia liikeanalyysin tekniselle toteutukselle. Korkea kuvataajuus ja tarkka ajoitus ovat välttämättömiä esimerkiksi askelvaiheiden luotettavassa tunnistamisessa. Lisäksi ympäristötekijät on otettava huomioon. Hevoset liikkuvat usein ulkona, vaihtelevilla alustoilla ja erilaisissa valaistusolosuhteissa, mikä voi vaikeuttaa videopohjaista analyysiä esimerkiksi taustan, varjojen ja nopean liikkeen vuoksi. [5] Pehmytkudosten liike markkereiden alla on eläimillä usein suurempaa kuin ihmisillä, mikä lisää mittausvirheiden riskiä [3].
Liikeanalyysi on vahvasti sidoksissa käytännön eläinlääketieteeseen. Sitä hyödynnetään esimerkiksi ontuman tunnistamisessa, suorituskyvyn arvioinnissa ja kuntoutuksen seurannassa. Perinteisesti nämä arviot ovat perustuneet eläinlääkärin visuaaliseen havainnointiin, joka on altis subjektiivisuudelle, mutta liikeanalyysi voi tarjota merkittävää lisäarvoa päätöksenteon tueksi. [5]
IMU-sensorit liikkeen mittaamisessa eläintutkimuksessa
IMU‑sensorit (Inertial Measurement Unit) ovat pieniä ja kevyitä keholle kiinnitettäviä mittalaitteita, jotka mittaavat liikettä kolmen keskeisen komponentin avulla: kiihtyvyysanturi, gyroskooppi ja magnetometri. Kiihtyvyysanturi mittaa lineaarista kiihtyvyyttä, gyroskooppi kulmanopeutta ja magnetometri maan magneettikenttää, jota käytetään suunnan vakauttamisessa. Näiden antureiden yhdistelmä mahdollistaa kehon segmenttien liikkeen, asennon ja kiertonopeuden arvioinnin. [6]
IMU-sensoreiden keskeinen etu on niiden kyky mitata liikettä luonnollisissa ympäristöissä ilman kameroita tai laboratorio-olosuhteita. Niitä voidaan käyttää esimerkiksi urheilukentillä, talleilla, klinikoilla ja arjessa. Sensorit soveltuvat erityisesti spatiotemporaalisten muuttujien mittaamiseen, kuten askelpituuteen, askeltiheyteen, kontaktiaikaan sekä segmenttien kulmanopeuksiin. [6] IMU‑sensorit ovat eläintutkimuksessa yhä tärkeämpi työkalu. Hevosilla ja koirilla niiden avulla voidaan arvioida esimerkiksi askelrytmiä, liikkeen symmetriaa sekä selän ja lantion liikettä, ja niitä voidaan hyödyntää myös ontuman varhaisessa havaitsemisessa. Koska sensorit ovat kevyitä ja huomaamattomia, ne eivät merkittävästi häiritse eläimen luonnollista liikkumista. Tämä tekee niistä erityisen hyödyllisiä valmennuksessa, kuntoutuksessa ja kliinisessä arvioinnissa. [7]
Lähteet
[1] Lu T-W, Chang C-F. Biomechanics of human movement and its clinical applications. Kaohsiung J Med Sci 2012;28:S13-25. https://doi.org/10.1016/j.kjms.2011.08.004.
[2] Colyer SL, Evans M, Cosker DP, Salo AIT. A Review of the Evolution of Vision-Based Motion Analysis and the Integration of Advanced Computer Vision Methods Towards Developing a Markerless System. Sports Med – Open 2018;4:24. https://doi.org/10.1186/s40798-018-0139-y.
[3] Sandberg GS, Torres BT, Budsberg SC. Review of kinematic analysis in dogs. Vet Surg VS 2020;49:1088–98. https://doi.org/10.1111/vsu.13477.
[4] Winter DA. Biomechanics and Motor Control of Human Movement. 1st ed., Wiley; 2009. https://doi.org/10.1002/9780470549148.
[5] Li C, Mellbin Y, Krogager J, Polikovsky S, Holmberg M, Ghorbani N, et al. The Poses for Equine Research Dataset (PFERD). Sci Data 2024;11. https://doi.org/10.1038/s41597-024-03312-1.
[6] Zhu J, Ye Z, Liu R, Liu J. Inertial measurement units (IMUs) for biomechanical analysis in sport: a review of applications, challenges and future directions. Sens Rev 2025;46. https://doi.org/10.1108/SR-04-2025-0261.
[7] Crecan CM, Peștean CP. Inertial Sensor Technologies—Their Role in Equine Gait Analysis, a Review. Sensors 2023;23. https://doi.org/10.3390/s23146301.