[論文レビュー] Vision-Based Gait Analysis for Senior Care

David Y. Xue, Anin Sayana+8 more|arXiv (Cornell University)|Dec 1, 2018

Gait Recognition and Analysis参考文献 12被引用数 13

ひとこと要約

本論文は、高齢者ケア施設における長期間にわたる、非侵襲的な歩行分析を実現する、1台のカメラに依存する視覚ベースのシステムを提案する。アクション検出と3次元ポーズ推定を用いて、動画から歩行速度、歩幅、非対称性などの歩行パラメータを抽出し、85%の歩数検出精度と1秒未塔のフレーム単位の精度を達成した。これにより、ウェアラブルセンサーや侵襲的手段に依存せずに、継続的な臨床的モニタリングが可能になった。

ABSTRACT

As the senior population rapidly increases, it is challenging yet crucial to provide effective long-term care for seniors who live at home or in senior care facilities. Smart senior homes, which have gained widespread interest in the healthcare community, have been proposed to improve the well-being of seniors living independently. In particular, non-intrusive, cost-effective sensors placed in these senior homes enable gait characterization, which can provide clinically relevant information including mobility level and early neurodegenerative disease risk. In this paper, we present a method to perform gait analysis from a single camera placed within the home. We show that we can accurately calculate various gait parameters, demonstrating the potential for our system to monitor the long-term gait of seniors and thus aid clinicians in understanding a patient's medical profile.

研究の動機と目的

• 1台のカメラのみを用いて、高齢者ケア施設における継続的かつ受動的・非侵襲的な歩行モニタリングを可能にすること。
• 歩行速度、歩幅、非対称性といった臨床的に関連する歩行パラメータを抽出し、長期的な健康評価を可能にすること。
• パーキンソン病などの神経変性疾患の早期診断を支援するため、時間経過に伴う微細な歩行変化を追跡すること。
• ウェアラブルセンサーや複雑なセンサーネットワークへの依存を排除することで、実世界の環境におけるコスト削減と実装可能性の向上を図ること。
• 追加のハードウェアを必要とせず、既存のスマートホームシステムにシームレスに統合できること。

提案手法

• 継続的な動画記録から歩行シーケンスを特定するために、事前に学習済みのアクション検出モデルを用いる。
• OpenPoseを用いて2次元ポーズ推定を行い、カメラの内部パrameterと外部パラメータを用いて3次元関節位置を再構築する。
• xy平面における足の間隔のL2距離を計算し、時間経過に伴う足の分離曲線を生成する。
• ノイズと誤検出を低減するために、足の分離曲線に平滑化処理を施す。
• 平滑化された曲線における局所的極値（ピークと谷）を検出することで、歩行イベントを特定する。ピークは足の着地を、谷は中立位を示す。
• 極値の範囲とスケーリング係数αを用いたしきい値ベースの誤検出除去アルゴリズムを実装し、検出精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 1台のカメラシステムは、実世界の高齢者ケア施設環境において、歩行行動の検出と歩行パラメータの抽出を正確に行えるか？
• RQ2 物理的センサーやウェアラブルデバイスを一切使用しない視覚ベースの歩行分析は、臨床的またはウェアラブルシステムと同等の精度に達することができるか？
• RQ3 動画からの長期間にわたる歩行モニタリングは、パーキンソン病などの神経変性疾患の早期兆候、例えば歩行非対称性や速度低下を明らかにできるか？
• RQ4 本システムは、歩行パターンの変動、カメラのアングルの違い、実環境におけるノイズに対してどれほど頑健か？
• RQ5 本システムは、追加のハードウェアを必要とせず、既存のスマートホームインfraに展開可能か？

主な発見

• UTKinect-Action3Dデータセットにおいて、歩行シーケンスの歩数を正しく特定する精度が85%に達した。
• UTKinectデータセットでは、歩数検出の平均誤差が4.4フレーム（0.073秒）であり、Senior Homeデータセットでは0.125秒であった。
• Senior Homeデータセットにおける歩行速度は、UTKinectデータセットの0.683 m/sと比較して著しく低く、0.164 m/sであった。これは年齢に伴う運動機能の低下を反映している。
• Senior Homeデータセットの高齢者では、歩幅がUTKinectデータセットの23%にとどまり、歩幅の短縮が確認された。
• 歩幅や速度とは無関係に、被験者間およびデータセット間で歩幅は比較的安定しており、一貫性を示した。
• 本システムは、パーキンソン病などの神経変性疾患の既知の早期バイオマーカーである左右の歩幅非対称性を正常に検出できた。