[论文解读] Clinical Parameters Prediction for Gait Disorder Recognition

Soheil Esmaeilzadeh, Ouassim Khebzegga+1 more|arXiv (Cornell University)|May 22, 2018

Gait Recognition and Analysis参考文献 1被引用 3

一句话总结

本文提出一种双路径方法，通过临床测量和基于视频的关节坐标分析，预测步态障碍诊断中的临床步态参数——步频、步长和步行速度。利用OpenPose提取的运动学特征，结合支持向量机（SVM）和神经网络模型，该方法在步行速度预测中达到R² = 0.50，优于线性回归，证明了基于视频的步态分析在临床决策支持中的可行性。

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.

研究动机与目标

• 预测步态障碍诊断中的关键临床步态参数——步频、步长和步行速度。
• 评估基于临床测量参数和视频衍生关节坐标的机器学习模型性能。
• 开发一种针对多视角视频数据中遮挡、阴影和多人情况的数据清洗流程。
• 评估基于视频的运动学特征是否能可靠预测与临床测量相当的步态参数。
• 通过预先分类步态障碍严重程度和治疗必要性，支持临床决策制定。

提出的方法

• 从吉勒特儿童专科医疗中心收集临床数据，包括踝背屈角度、BMI、步行速度、步长、步幅长度和站立相百分比。
• 使用OpenPose从侧视和前视视频中提取18个关节的2D坐标，将结果以JSON格式存储，包含x、y坐标及置信度（c）值。
• 基于稳定关节（0,1,2,5,8,11,14,15,16,17）的重心追踪，实施数据清洗策略，以区分有效患者数据与阴影或多人干扰。
• 将关节坐标相对于髋部-颈部距离进行归一化，以减少摄像机距离带来的偏差。
• 应用快速傅里叶变换（FFT）提取频域特征，对每个踝关节计算12个区间的功率谱密度（共24个特征）。
• 在提取的特征上训练并比较线性回归、带RBF核的SVM以及前馈神经网络模型，使用R²和均方误差（MSE）作为评估指标。

实验结果

研究问题

• RQ1 仅使用临床测量参数，机器学习模型能否准确预测步态参数（步频、步长、步行速度）？
• RQ2 通过OpenPose提取的基于视频的运动学特征，在多大程度上能以相近的准确性预测相同的步态参数？
• RQ3 不同机器学习模型——线性回归、SVM和神经网络——在基于视频衍生特征预测步态参数时表现如何？
• RQ4 为何SVM在步行速度预测中R²达到0.50，而步频预测仅为0.36，尽管步频本质上是基于频率的参数？
• RQ5 由于阴影、多人或摄像机遮挡，基于视频的步态分析面临哪些挑战，如何有效缓解？

主要发现

• SVM在测试集上对步行速度预测的R²最高，达到0.50，显著优于线性回归（R² = -0.60）。
• 对于步频预测，SVM的R²为0.36，而神经网络在2000个训练周期后仅达到0.18，表明即使训练周期较长，性能仍有限。
• 神经网络在步长和速度预测中表现出严重过拟合，可能是因为模型架构仅针对步频优化。
• 线性回归整体表现较差，步长（R² = -0.20）和步行速度（R² = -0.60）的R²值为负，表明其预测能力极弱。
• 通过FFT和OpenPose进行的基于视频的特征提取，能够可靠预测步态参数，尽管性能仍逊于基于临床数据的模型。
• 基于重心追踪的数据清洗策略成功将有效患者数据与阴影及多人干扰分离，如图5(c)所示的干净坐标时间序列所证实。