[논문 리뷰] Clinical Parameters Prediction for Gait Disorder Recognition

Soheil Esmaeilzadeh, Ouassim Khebzegga외 1명|arXiv (Cornell University)|2018. 05. 22.

Gait Recognition and Analysis참고 문헌 1인용 수 3

한 줄 요약

이 논문은 임상 측정값과 비디오 기반 관절 좌표 분석을 이용하여 보행 장애 진단을 위한 임상적 보행 파라미터—보행 빈도, 보폭 길이, 보행 속도—를 예측하기 위한 이중 방법 접근법을 제안한다. OpenPose에서 추출한 운동학적 특징을 기반으로 SVM과 신경망을 사용한 모델은 보행 속도 예측에서 R² = 0.50을 달성하여 선형 회귀를 능가하며, 임상적 의사결정 지원을 위한 비디오 기반 보행 분석의 가능성을 입증한다.

ABSTRACT

Being able to predict clinical parameters in order to diagnose gait disorders in a patient is of great value in planning treatments. It is known that extit{decision parameters} such as cadence, step length, and walking speed are critical in the diagnosis of gait disorders in patients. This project aims to predict the decision parameters using two ways and afterwards giving advice on whether a patient needs treatment or not. In one way, we use clinically measured parameters such as Ankle Dorsiflexion, age, walking speed, step length, stride length, weight over height squared (BMI) and etc. to predict the decision parameters. In a second way, we use videos recorded from patient's walking tests in a clinic in order to extract the coordinates of the joints of the patient over time and predict the decision parameters. Finally, having the decision parameters we pre-classify gait disorder intensity of a patient and as the result make decisions on whether a patient needs treatment or not.

연구 동기 및 목표

• 보행 장애 진단을 위한 핵심 임상적 보행 파라미터—보행 빈도, 보폭 길이, 보행 속도—를 예측하기 위해.
• 임상적으로 측정된 파라미터와 비디오 기반 관절 좌표를 모두 사용한 기계학습 모델의 성능을 평가하기 위해.
• 장애물, 그림자, 다수의 환자 등으로 인한 손상이 있는 다중 시점 비디오 데이터를 정제하기 위한 데이터 정제 파이프라인을 개발하기 위해.
• 비디오 기반 운동학적 특징이 임상 측정값과 비교하여 신뢰성 있게 보행 파라미터를 예측할 수 있는지 평가하기 위해.
• 보행 장애의 중증도와 치료 필요성을 사전 분류하여 임상적 의사결정 지원을 제공하기 위해.

제안 방법

• 보행 장애 환자의 임상 데이터를 기록하기 위해 기릴레트 어린이 전문 헬스케어에서 수집하였으며, 발목의 굽힘 각도, 체질량지수(BMI), 보행 속도, 보폭 길이, 스트라이드 길이, 지면 접촉 비율을 포함한다.
• OpenPose를 사용하여 측면 및 앞면 비디오에서 18개 관절의 2차원 좌표를 추출하고, x, y 및 신뢰도(c) 값을 포함한 JSON 파일로 저장한다.
• 안정된 관절(0,1,2,5,8,11,14,15,16,17)을 기반으로 질량중심 추적 전략을 구현하여 유효한 환자 데이터를 그림자 또는 다수의 사람과 분리한다.
• 카메라 거리에 의한 편향을 줄이기 위해 엉덩이-목 거리 기준으로 관절 좌표를 정규화한다.
• 주파수 영역 특징을 추출하기 위해 빠른 푸리에 변환(FFT)을 적용하고, 각 발목에 대해 12개의 간격으로 파wer 밀도를 계산하여 총 24개의 특징을 생성한다.
• 추출된 특징을 기반으로 선형 회귀, RBF 커널을 사용한 SVM, 피드포워드 신경망을 훈련 및 비교하였으며, 평가 지표로는 R²와 MSE를 사용하였다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 임상 측정값만으로 보행 빈도, 보폭 길이, 보행 속도와 같은 보행 파라미터를 정확하게 예측할 수 있는가?
• RQ2 OpenPose를 통해 추출한 비디오 기반 운동학적 특징은 동일한 보행 파라미터를 얼마나 정확하게 예측할 수 있는가?
• RQ3 선형 회귀, SVM, 신경망과 같은 다양한 기계학습 모델이 비디오 기반 특징에서 보행 파라미터를 예측할 때 어떻게 성능을 내는가?
• RQ4 보행 빈도는 본질적으로 주파수 기반 파라미터이지만, SVM 모델이 보행 속도 예측에서 R² = 0.50을 달성한 반면 보행 빈도 예측에서는 R² = 0.36에 그친 이유는 무엇인가?
• RQ5 그림자, 다수의 사람, 카메라 가림 등의 원인으로 인해 비디오 기반 보행 분석에서 발생하는 과제는 무엇이며, 이를 어떻게 완화할 수 있는가?

주요 결과

• SVM 모델은 테스트 세트에서 보행 속도 예측에 대해 가장 높은 R² = 0.50을 기록하였으며, 선형 회귀(R² = -0.60)를 크게 앞서는 성능을 보였다.
• 보행 빈도 예측에서는 SVM이 R² = 0.36를 달성하였고, 신경망은 2000 에포크 동안 훈련한 후에도 R² = 0.18에 그쳐 성능이 제한됨을 보였다.
• 신경망은 보폭 길이 및 보행 속도 예측에서 심각한 과적합을 보였으며, 이는 모델 아키텍처가 오직 보행 빈도 예측에 최적화되어 있기 때문으로 판단된다.
• 선형 회귀는 전반적으로 낮은 성능을 보였으며, 보폭 길이(R² = -0.20)와 보행 속도(R² = -0.60) 예측에서 음수의 R² 값을 기록하여 예측 능력이 떨어짐을 시사한다.
• FFT 및 OpenPose를 통한 비디오 기반 특징 추출은 보행 파라미터 예측을 신뢰성 있게 가능하게 하였지만, 임상 데이터 기반 모델에 비해 성능은 열 劣하다.
• 질량중심 추적 기반 데이터 정제 전략은 그림자 및 다수의 사람과 유효한 환자 데이터를 성공적으로 분리하였으며, 이는 그림자 5(c)의 깔끔한 좌표 시간 시리즈로 입증되었다.