Die Ganganalyse (Gait Recognition) strebt an, eine Person anhand ihrer Gangabläufe zu identifizieren und dient als nützliche biometrische Methode, da sie von großen Entfernungen aus beobachtet werden kann, ohne dass die betreffende Person mitwirkt. Bei der Darstellung eines Menschengangs werden Silhouetten und Skelette die beiden wichtigsten Modalitäten verwendet. Silhouettensequenzen entbehren detaillierter Teileinformationen, wenn Überlappungen zwischen verschiedenen Körperteilen auftreten, und können durch getragene Gegenstände und Kleidung beeinflusst werden. Skelette, die aus Gelenken und Knochen bestehen, die diese Gelenke verbinden, bieten präzisere Informationen über verschiedene Körpersegmente; sind jedoch anfällig gegenüber Verdeckungen und Bildern niedriger Qualität, was zu Inkonsistenzen in den bildbasierten Ergebnissen innerhalb einer Sequenz führt. In dieser Arbeit untersuchen wir die Anwendung einer zweistrombasierten Darstellung von Skeletten für die Ganganalyse neben Silhouetten. Durch die Fusion der kombinierten Daten von Silhouetten und Skeletten optimieren wir die zweistrombasierten Skelette, Gelenke und Knochen durch Selbstkorrektur in Graphkonvolutionen sowie durch multimodale Korrektur mit zeitlicher Konsistenz von Silhouetten. Wir zeigen, dass durch optimierte Skelette die Leistung des Modells für die Ganganalyse auf öffentlichen Datensätzen der Ganganalyse im Vergleich zu den neuesten Methoden ohne zusätzliche Annotationen weiter verbessert werden kann.