[논문 리뷰] Clinical gait data analysis based on Spatio-Temporal features

Rohit Katiyar, Vinay Kumar Pathak|arXiv (Cornell University)|2010. 03. 07.

Gait Recognition and Analysis참고 문헌 41인용 수 3

한 줄 요약

이 논문은 파동수분해를 이용한 관절 궤적과 자기조직화 맵를 활용한 벡터 양자화를 통해 체계적이고 시간적 보행 분석 방법을 제안하며, 기능 장애가 있는지 여부를 분류한다. 이 방법은 병적이고 정상적인 보행 패턴을 정확히 구분할 수 있도록 특징을 효과적으로 추출한다.

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.

연구 동기 및 목표

• 사람 신원 확인이나 활동 인식을 넘어서 신체적 건강 상태의 임상 평가를 지원하는 보행 분석 프레임워크를 개발하는 것.
• 임상 환경에서 보행 분석을 활용해 기능 장애 관련 병리를 진단하는 데에 미흡한 점을 보완하는 것.
• 기저의 운동 장애를 반영하는 보행 데이터에서 의미 있는 시공간적 특징을 추출하는 것.
• 비지도 학습 기법을 활용해 보행 패턴을 병적 또는 정상으로 분류하는 것.
• 실세계 데이터를 활용해 이 방법이 기능 장애가 있는지 여부에 따라 개인을 구분할 수 있는 능력을 검증하는 것.

제안 방법

• 보행 시퀀스의 관절 운동 궤적은 운동 캡처 또는 영상 기반 추적을 통해 추출된다.
• 궤적은 이산 파동수분해(Discrete Wavelet Transform, DWT)를 사용하여 다중 해상도의 시공간적 특징을 추출한다.
• 파동수계수는 차원 감소 및 대표 특징 벡터 추출을 위해 벡터 양자화기의 입력으로 사용된다.
• 자기조직화 맵(SOM)을 활용해 양자화된 특징을 병적 및 비병적 보행 패턴으로 군집화하고 분류한다.
• 이 방법은 SOM의 위상 보존 성질을 활용하여 보행 패턴 분포를 시각화하고 분석한다.
• 특징 선택은 관절 이동의 시간적 및 공간적 동역학을 중시하여 병리와 관련된 보행 이탈을 강조한다.

실험 결과

연구 질문

• RQ1 보행 궤적에서 유도된 시공간적 특징이 기능 장애가 있는지 여부를 효과적으로 구분할 수 있는가?
• RQ2 파동수 기반 특징 추출이 임상적 보행 분류에 있어서 분류 정보를 얼마나 잘 유지하는가?
• RQ3 자기조직화 맵가 병적 상태에 기반해 보행 패턴을 얼마나 정확하게 군집화하고 분류할 수 있는가?
• RQ4 추출된 특징가 운동 기능 장애와 관련된 미세한 보행 이탈을 탐지할 정도로 충분히 강건한가?
• RQ5 이 방법이 비침습적 보행 기반 건강 평가를 위한 임상 환경에서 효과적으로 적용될 수 있는가?

주요 결과

• 파동수 기반 변환은 보행의 시간적 및 공간적 변동을 효과적으로 포착하여 특징의 구분 능력을 향상시킨다.
• 벡터 양자화와 자기조직화 맵의 조합은 병적 및 정상 그룹으로 보행 패턴을 효과적으로 군집화할 수 있다.
• SOM 시각화에서 병적 및 비병적 보행 군집 간 명확한 분리가 관찰된다.
• 이 방법은 보행 특징을 기반으로 기능 장애가 있는 환자와 건강한 대조군을 높은 정확도로 구분할 수 있다.
• 결과는 파동수 변환 궤적에서 도출된 시공간적 특징가 임상적 보행 평가에 효과적임을 확인한다.
• 이 프레임워크는 전문가의 주석 없이도 자동화된 보행 기반 건강 스크리닝을 위한 실현 가능한 데이터 기반 방법을 제공한다.