[論文レビュー] Remote Health Coaching System and Human Motion Data Analysis for Physical Therapy with Microsoft Kinect

Qifei Wang, Gregorij Kurillo+2 more|arXiv (Cornell University)|Dec 21, 2015

Hand Gesture Recognition Systems参考文献 7被引用数 13

ひとこと要約

本論文では、Microsoft Kinectを用いた遠隔リハビリテーション支援システムを提案し、非線形運動データのノイズ低減を目的として、拡張カルマンフィルタ（UKF）と人体骨格の運動学的モデルを組み合わせたフィルタリング手法を採用する。この手法により関節位置や運動学的パラメータのノイズが低減され、滑らかでより正確な運動解析が可能となり、在宅リハビリテーションにおけるリアルタイムフィードバックと臨床的評価に適した結果が得られた。

ABSTRACT

This paper summarizes the recent progress we have made for the computer vision technologies in physical therapy with the accessible and affordable devices. We first introduce the remote health coaching system we build with Microsoft Kinect. Since the motion data captured by Kinect is noisy, we investigate the data accuracy of Kinect with respect to the high accuracy motion capture system. We also propose an outlier data removal algorithm based on the data distribution. In order to generate the kinematic parameter from the noisy data captured by Kinect, we propose a kinematic filtering algorithm based on Unscented Kalman Filter and the kinematic model of human skeleton. The proposed algorithm can obtain smooth kinematic parameter with reduced noise compared to the kinematic parameter generated from the raw motion data from Kinect.

研究の動機と目的

• Microsoft Kinectのような低価格の消費者用センサーを用いて、アクセスしやすく、遠隔で利用可能なリハビリテーション支援システムの開発を目的とする。
• 臨床的信頼性を確保するため、高精度な光学式モーショングラフィックシステム（PhaseSpace）と比較して、Kinectの運動追跡精度を評価することを目的とする。
• 特にジャイタリティ、遮蔽、トラッキング喪失に起因するノイズや外れ値を低減するため、Kinectで得られる運動データのノイズと外れ値を効果的に特定・除去することを目的とする。
• 物理的ベースのフィルタリングモデルを用いて、ノイズの多い原始Kinectデータから滑らかで正確な運動学的パラメータ（例：関節角、セグメントの姿勢）を抽出することを目的とする。
• 高齢者を対象とした在宅リハビリテーションにおいて、リアルタイムでのパフォーマンス評価とフィードバックを可能にする。

提案手法

• システムは、20 Hzでリアルタイムに深度データと骨格関節データを取得するMicrosoft Kinectを用い、120 Hzで動作するPhaseSpace光学式モーショングラフィックシステムと時間的に同期する。
• トラッキング喪失に起因する外れ値データを特定・除去するために、正規分布と一様分布の混合モデルを用いる。
• 親子関係と変換行列を用いて、3自由度、2自由度、1自由度の関節を有する人体骨格の運動学的モデルを構築し、式（2）により関節位置を計算する。
• ノイズの多いKinectデータから滑らかな運動学的パラメータを推定するために、拡張カルマンフィルタ（UKF）を適用する。状態ベクトルには、ルート位置、セグメント長、回転クォータニオンが含まれる。
• 4パスのUKFアプローチにより、セグメント長の一定性を強制する。2番目および3番目のパスで、セグメント長の共分散およびプロセスノイズをゼロに設定することで、制約の遵守性を向上させる。
• 観測モデルは、状態推定値を予測関節位置にマッピングする運動学的関数（式2）を用い、状態遷移はプロセスノイズを伴うランダムウォーク過程に従う。

実験結果

リサーチクエスチョン

• RQ1 物理療法用途において、Microsoft Kinectの運動追跡精度は、高精度な光学式モーショングラフィックシステム（PhaseSpace）と比較してどの程度の水準にあるか？
• RQ2 Kinectで得られる運動データに見られる主なノイズおよび外れ値の原因は何か。また、それらを効果的に特定・除去する方法は何か？
• RQ3 UKFと人体骨格モデルに基づく運動学的フィルタリング手法は、原始Kinectデータから得られる関節位置や運動学的パラメータのノイズを顕著に低減できるか？
• RQ4 提案手法によるフィルタリング処理は、リハビリテーション運動における周期的で生理的パターンをどの程度保持できるか？
• RQ5 フィルタリング処理により得られた運動学的パラメータは、遠隔リハビリテーション支援システムにおける信頼性の高いリアルタイムパフォーマンス評価とフィードバックを可能にするか？

主な発見

• Kinect 1およびKinect 2は、PhaseSpaceシステムと比較して顕著な関節位置誤差を示し、異なる関節や姿勢において平均誤差が2.5 cm～6.5 cmに達する。
• 混合モデルは、トラッキング喪失に起因する外れ値データを効果的に特定・除去でき、後続の解析に向けたデータ品質の向上に寄与した。
• UKFに基づく運動学的フィルタリングは、特に肩関節および肘関節の関節角推移を、原始Kinectデータと比較して顕著に滑らかにした。図4に示す。
• フィルタリング処理後のセグメントクォータニオン曲線は、運動の周期的パターンを強く示しており、ノイズ低減と運動パターンの回復に成功していることが示された。
• 4パスのUKFアプローチにより、セグメント長の一定性が成功裏に維持され、ずれの低減と推定運動学的パラメータの解剖学的妥当性の向上が達成された。
• 本システムは、リハビリテーションの反復回数カウント、関節運動の分析、可動域の評価を含むリアルタイムパフォーマンス評価を可能にし、遠隔リハビリテーションにおける臨床的フィードバックを支援した。