Publication detail

Gait disorder classification based on effective feature selection and unsupervised methodology

Authors: Shayestegan Mohsen | Kohout Jan | Trnkova Katerina | Chovanec Martin | Mareš Jan

Year: 2024

Type of publication: článek v odborném periodiku

Name of source: Computers in Biology and Medicine

Publisher name: Elsevier

Place: Kidlington

Page from-to: nestránkováno

Titles:

Language	Name	Abstract	Keywords
cze	Klasifikace poruch chůze založená na efektivním výběru příznaků a metodice bez dohledu	Při analýze stability chůze jsou u pacientů trpících dysfunkčními problémy patrné změny v dynamické rovnováze. Sledování pokroku pacientů je důležité proto, aby lékaři i pacienti mohli přesně sledovat proces rehabilitace. V této studii jsme navrhli novou metodiku klasifikace poruch chůze, která umožňuje kvantifikovat pokrok pacientů. Soubor dat v této studii zahrnuje 84 měření 37 pacientů na základě názoru lékaře. V této studii je pro vyhodnocení klasifikace poruch chůze navržen systém, který zahrnuje kameru Kinect pro pozorování a ukládání snímků pacientů jdoucích po chodbě, detektor klíčových bodů pro detekci klíčových bodů skeletu a klasifikační síť s kódovacím transformátorem integrovanou s generátorem-diskriminační sítí (ET -GD). Detektor extrahuje kosterní klíčové body pacientů. Po inženýrství příznaků jsou vybrané příznaky vysoké úrovně zavedeny do navržené neuronové sítě, která analyzuje pohyb pacienta a provádí konečné vyhodnocení dysfunkce chůze. Navrhovaná síť je inspirována transformátorem 1D kodéru, který je integrován se dvěma hlavními sítěmi.	Autoencoder; Classification; Deep learning; Discriminator; Gait disorders; Vision transformer
eng	Gait disorder classification based on effective feature selection and unsupervised methodology	In gait stability analysis, patients suffering from dysfunction problems are impacted by shifts in their dynamic balance. Monitoring the patients' progress is important for allowing physicians and patients to observe the rehabilitation process accurately. In this study, we designed a new methodology for classifying gait disorders to quantify patients' progress. The dataset in this study includes 84 measurements of 37 patients based on a physician's opinion. In this study, the system, which includes a Kinect camera to observe and store the frames of patients walking down a hallway, a key -point detector to detect the skeletal key points, and an encoder transformer classifier network integrated with generator-discriminator networks (ET -GD), is designed to evaluate the classification of gait dysfunction. The detector extracts the skeletal key points of patients. After feature engineering, the selected high -level features are fed into the proposed neural network to analyse patient movement and perform the final evaluation of gait dysfunction. The proposed network is inspired by the 1D encoder transformer, which is integrated with two main networks: a network for classification and a network to generate fake output data similar to the input data. Furthermore, we used a discriminator structure to distinguish between the actual data (input) and fake data (generated data). Due to the multi-structural networks in the proposed method, multi -loss functions need to be optimised; this increases the accuracy of the encoder transformer classifier.	Deep learning; Classification; Gait disorders; Vision transformer; Autoencoder; Discriminator

Search

Login for students

Login for employees

Publication detail

Department

Map

Services

Popular Links