[论文解读] 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 3

一句话总结

本文提出了一种基于小波变换关节轨迹与自组织映射的矢量量化方法，用于对存在或不存在运动障碍的个体进行时空步态分析。该方法成功提取了具有区分性的特征，能够准确区分病理性和正常步态模式。

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.

研究动机与目标

• 开发一种步态分析框架，支持对身体健康的临床评估，而不仅仅是人员识别或活动识别。
• 填补在临床环境中利用步态分析诊断与运动相关病理性疾病的研究空白。
• 从步态数据中提取能反映潜在运动障碍的有意义的时空特征。
• 使用无监督学习技术将步态模式分类为病理性和正常性。
• 通过真实世界数据验证该方法在区分存在或不存在步态异常的个体方面的能力。

提出的方法

• 使用动作捕捉或基于视频的追踪技术提取步态序列中的关节运动轨迹。
• 利用离散小波变换（DWT）对轨迹进行变换，以提取多分辨率的时空特征。
• 将小波系数用作向量量化器的输入，以降低维度并提取代表性特征向量。
• 采用自组织映射（SOM）对量化后的特征进行聚类和分类，划分为病理性和非病理性步态模式。
• 利用SOM的拓扑保持特性，可视化并分析步态模式的分布。
• 特征选择聚焦于关节运动的时间与空间动态，以强调与病理相关的步态偏差。

实验结果

研究问题

• RQ1 从步态轨迹中提取的时空特征是否能有效区分存在或不存在运动障碍的个体？
• RQ2 基于小波的特征提取在临床步态分类中是否能有效保留区分性信息？
• RQ3 自组织映射在多大程度上能准确聚类和分类基于病理状态的步态模式？
• RQ4 所提取的特征是否足够稳健，能够检测与运动功能障碍相关的细微步态偏差？
• RQ5 该方法是否能在临床环境中有效应用于非侵入性的基于步态的健康评估？

主要发现

• 基于小波的变换成功捕捉了步态中的时间与空间变化，增强了特征的可区分性。
• 向量量化与自组织映射的结合有效实现了将步态模式聚类为病理性和正常组。
• 在SOM可视化中，病理性和非病理性步态聚类表现出明显的分离。
• 该方法在基于步态特征区分存在运动障碍的个体与健康受试者方面表现出高准确性。
• 结果证实，从小波变换轨迹中提取的时空特征在临床步态评估中具有有效性。
• 该框架提供了一种可行的、数据驱动的方法，用于无需专家标注的自动化基于步态的健康筛查。