Dissertação

{en_GB=Can the way you walk reflect your health?} {} EVALUATED

{pt=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., en=Gait analysis, i.e. the study of human motion, can provide useful information for the diagnosis, monitoring and recovery of gait related pathologies. As an alternative to the current standard practice that relies on subjective assessment, the state-of-the-art vision based approaches for automatic gait pathology detection and classification use deep learning. The development and testing of such solutions requires the availability of suitable pathological gait datasets. However, mainly due to privacy and ethical concerns associated with sharing data from real patients, few gait pathology datasets are publicly available. Furthermore, in those available, volunteers simulate gait affected by specific pathologies, considering at most 10 subjects. To address this, the developed work presents a new pathological gait dataset, GAIT-IT. Captured from 21 subjects simulating 4 gait pathologies and normal gait, GAIT-IT is significantly larger than publicly available gait pathology datasets. With video sequences recorded in a professional studio, nearly perfect binary silhouettes were extracted, allowing the improved training of machine learning algorithms. A novel deep learning approach for pathological gait classification is proposed, combining the spatial and temporal feature extraction abilities of convolutional and recurrent neural networks, respectively. The proposed CNN-LSTM framework processes gait cycles as a collection of silhouette frames, allowing the system to learn temporal patterns among the spatial features extracted at individual time steps. Trained with gait sequences from GAIT-IT, the proposed system is able to outperform state-of-the-art solutions, achieve a greater generalization capability on cross-dataset tests and support a significant reduction in network complexity without compromising the overall performance.}
{pt=Análise da marcha, Marcha patológica, Aprendizagem Profunda, Classificação de marcha, Sequências de Vídeo, Base de dados, en=Gait analysis, Pathological gait, Deep learning, Gait classification, Video sequences, Gait dataset}

Janeiro 21, 2021, 16:30

Orientação

ORIENTADOR

Paulo Luís Serras Lobato Correia

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado