Dissertação

Using Deep Learning for Gait Abnormality Classification EVALUATED

A marcha tem sido alvo de vários trabalhos de investigação. Muitas patologias afetam os padrões normais da marcha e a sua análise pode ser útil para avaliar os diferentes distúrbios, a sua evolução e fornecer informação relevante para reabilitação. Atualmente, a análise de marcha é baseada numa análise subjectiva, que tem falta de precisão e medidas quantitativas, ou é feita em laboratórios com equipamentos complexos, dispendiosos e impráticos. Contudo têm sido feitos estudos com o objetivo de realizar análise e classificação de marcha precisas, usando sistemas simples, compostos por uma variedade de sensores. Este trabalho começa por rever as técnicas desenvolvidas nas ultimas décadas e depois apresenta um método para realizar classificação de tipos de marcha patológica a partir de sequências de vídeo. O sistema proposto baseia-se no uso de imagens de representação da marcha como a Gait Energy Image (GEI) e uma nova representação chamada Skeleton Gait Energy Image (SGEI), que usa informação do esqueleto, obtida com uma pose machine. Estas imagens são usadas como entrada numa rede neuronal convolucional VGG-19, que é usada para realizar classificação ou extrair um vector de características que é depois classificado, usando métodos de aprendizagem automática como Support Vector Machines (SVM) e Linear Discriminant Analysis (LDA). O sistema é treinado e testado numa nova base de dados de marcha, que simula quatro tipos de marcha patológica e é também testado com outra base de dados, para avaliar a sua capacidade de generalização.
Gait analysis, Gait disorders, Gait recognition, Abnormal gait, Gait classification, Deep learning

Novembro 20, 2019, 14:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Paulo Luís Serras Lobato Correia

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar