[論文レビュー] Clinical gait data analysis based on Spatio-Temporal features

Rohit Katiyar, Vinay Kumar Pathak|arXiv (Cornell University)|Mar 7, 2010

Gait Recognition and Analysis参考文献 41被引用数 3

ひとこと要約

本稿では、自己組織化マップを用いたベクトル量子化とウェーブレット変換された関節軌道を用いた、空間的・時間的歩行解析手法を提案し、運動機能障害あり・なしの個々の分類を目的としている。この手法は、病理的および正常な歩行パターンを正確に区別できる、特徴を効果的に抽出する。

ABSTRACT

Analysing human gait has found considerable interest in recent computer vision research. So far, however, contributions to this topic exclusively dealt with the tasks of person identification or activity recognition. In this paper, we consider a different application for gait analysis and examine its use as a means of deducing the physical well-being of people. The proposed method is based on transforming the joint motion trajectories using wavelets to extract spatio-temporal features which are then fed as input to a vector quantiser; a self-organising map for classification of walking patterns of individuals with and without pathology. We show that our proposed algorithm is successful in extracting features that successfully discriminate between individuals with and without locomotion impairment.

研究の動機と目的

• 個人識別や行動認識のためのものではなく、身体的健康状態の臨床的評価を支援する歩行解析フレームワークの開発を目的とする。
• 臨床現場において歩行解析を用いた運動機能障害の診断に活用するというギャップを埋める。
• 運動機能障害の背後にある要因を反映する、意味のある空間的・時間的特徴を歩行データから抽出する。
• 教師なし学習手法を用いて、歩行パターンを病理的または正常に分類する。
• 実世界のデータを用いて、本手法が運動機能障害あり・なしの個々を区別できる能力を検証する。

提案手法

• モーショングラップやビデオベースのトラッキングを用いて、歩行シーケンスからの関節運動軌道を抽出する。
• 離散ウェーブレット変換（DWT）を用いて、多スケールの空間的・時間的特徴を抽出する。
• ウェーブレット係数をベクトル量子化器の入力として用い、次元削減および代表的特徴ベクトルの抽出を行う。
• 自己組織化マップ（SOM）を用いて、量子化された特徴を病理的および非病理的歩行パターンにクラスタリング・分類する。
• SOMのトポロジー保存特性を活用して、歩行パターンの分布を可視化・分析する。
• 特徴選択は、関節運動の時間的および空間的ダイナミクスに焦点を当て、病理と関連する歩行のずれを強調する。

実験結果

リサーチクエスチョン

• RQ1 歩行軌道から導出された空間的・時間的特徴は、運動機能障害あり・なしの個々を効果的に区別できるか？
• RQ2 ウェーブレットベースの特徴抽出は、臨床的歩行分類に特徴を効果的に保持できるか？
• RQ3 自己組織化マップは、病理的状態に基づいて歩行パターンをどれほど正確にクラスタリング・分類できるか？
• RQ4 抽出された特徴は、運動機能障害に関連する微細な歩行のずれを検出するのに十分に頑健か？
• RQ5 本手法は、非侵襲的な歩行ベースの健康評価のための臨床現場で効果的に応用可能か？

主な発見

• ウェーブレットベースの変換により、歩行における時間的および空間的変動が効果的に捉えられ、特徴の識別能が向上した。
• ベクトル量子化と自己組織化マップの組み合わせにより、病理的および正常な歩行パターンのクラスタリングが効果的に行えるようになった。
• SOMの可視化において、病理的および非病理的歩行クラスタの明確な分離が確認された。
• 本手法は、歩行特徴に基づいて運動機能障害のある被験者と健康な被験者を高い精度で区別できた。
• ウェーブレット変換された軌道から導出された空間的・時間的特徴が、臨床的歩行評価に有効であることが確認された。
• 本フレームワークは、専門家によるアノテーションを必要とせず、自動化された歩行ベースの健康スクリーニングのための実用的でデータ駆動型の手法を提供する。