Die korrekte Ausführung von isometrischen Kraftübungen wie Planks oder Wallsquats ist essenziell für eine effektive Trainingspraxis und auch die Prävention von Herz-Kreislauf-Erkrankungen. Gerade bei isometrischen Übungen kann eine fehlerhafte Haltung langfristig zu Überlastung und Dysbalancen führen. Besonders für Anfänger:innen oder Rehabilitationspatient:innen ohne professionelle Anleitung.
In dieser Projektarbeit wird ein System zur automatisierten Erkennung und Korrektur solcher Haltungsfehler vorgestellt. Die Anwendung nutzt Kamera-basierte Human Pose Estimation mit dem Machine Learning Modell MoveNet (Tensorflow) und verarbeitet so 17 Körpergelenkpunkte in Echtzeit. Mit einfachen Winkelberechnungen, basierend auf den erkannten Gelenkpunkten, lassen sich dann Körperpositionen analysieren und Haltungskorrekturen direkt an die Nutzer:innen zurückspielen.
Ein besonderer Fokus liegt auf der barrierefreien Gestaltung: Durch ein multimodales Interaktionskonzept erhalten Nutzer:innen Rückmeldung über visuelle, auditive und haptische Kanäle durch farbige Marker, Sprachhinweise oder Vibrationsmuster. So wird sichergestellt, dass auch Menschen mit sensorischen Einschränkungen die Anwendung besser nutzen können.
In explorativen Tests mit verschiedenen Nutzergruppen wurde untersucht, wie die Anwendung wahrgenommen wird, welche Rückmeldemechanismen besonders hilfreich sind und wo Potenzial für Weiterentwicklungen liegt. Die Ergebnisse zeigen, dass Echtzeit-Feedback die Haltungsausführung deutlich verbessert und Barrierefreiheit im Trainingskontext praktikabel umsetzbar ist.