Dissertação
Can the way you walk reflect your health? EVALUATED
A análise da marcha humana pode providenciar informação relevante ao diagnóstico e recuperação de pacientes com distúrbios na marcha. Como alternativa à prática corrente de análise subjetiva, técnicas modernas de deteção e classificação automática de marcha patológica usam métodos de análise profunda baseados em dados visuais. Desenvolver e testar tais métodos requer a disponibilidade de bases de dados de marcha patológica apropriadas. Contudo, maioritariamente devido a questões de ética e privacidade quanto à partilha de dados de pacientes reais, poucas existem publicamente acessíveis. Além disto, as que são disponibilizadas têm no máximo 10 voluntários a simular marchas patológicas. Neste contexto, foi desenvolvida uma nova base de dados de marcha patológica denominada GAIT-IT. Com 21 sujeitos a simular 4 tipos de marcha patológica e a respetiva marcha normal, GAIT-IT é consideravelmente maior que as bases de dados atualmente disponíveis. Os vídeos adquiridos num estúdio profissional permitiram a extração de silhuetas binárias de alta qualidade que possibilitam melhores condições de treino a algoritmos de aprendizagem automática. É proposta uma nova abordagem de aprendizagem profunda para classificação de marcha patológica, que combina as capacidades de extração de padrões espaciais e temporais de redes convolucionais e recorrentes, respetivamente. O sistema CNN-LSTM proposto processa sequências de marcha como conjuntos de silhuetas, permitindo a aprendizagem de padrões temporais entre padrões espaciais extraídos de diversos momentos. O sistema proposto é capaz de superar os resultados de soluções recentes, com maior capacidade de generalização sobre novos dados e suporte a alternativas de menor complexidade sem comprometer o desempenho.
janeiro 21, 2021, 16:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Paulo Luís Serras Lobato Correia
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado