Publication detail

Comparison of Feature Selection and Supervised Methods for Classifying Gait Disorders

Authors: Shayestegan Mohsen | Kohout Jan | Verespejova Ludmila | Chovanec Martin | Mareš Jan

Year: 2024

Type of publication: článek v odborném periodiku

Name of source: IEEE ACCESS

Publisher name: IEEE (Institute of Electrical and Electronics Engineers)

Place: New York

Page from-to: 17876-17894

Titles:

Language	Name	Abstract	Keywords
cze	Srovnání metod výběru prvků a metod s dohledem pro klasifikaci poruch chůze	V poslední době je velký zájem o systémy klasifikace poruch chůze. Kvantifikace průběhu těchto poruch však byla do značné míry závislá na úsudku lékaře při klasifikaci nemocných a zdravých osob. Zkoumáme vliv analýzy stability chůze na problémy s poruchami chůze, které jsou ovlivněny dynamickou rovnováhou pacienta. Soubor dat v této studii byl shromážděn a označen na základě názorů lékařů v pražské nemocnici; obsahoval 84 měření 37 pacientů. K detekci klíčových bodů skeletu pacientů byl použit detektor klíčových bodů. Z výsledků detekce a sledování jsme připravili dva různé soubory dat. Pro navrhovanou metodu výběru příznaků jsme použili statistická měření, jako jsou souřadnice x a y pro každý klíčový bod, vzdálenost a úhel mezi dvěma vybranými klíčovými body. Pomocí těchto statistických měření jsme připravili různé podskupiny s různým počtem zkoumaných prvků. Použili jsme také deset různých algoritmů výběru prvků, abychom automaticky získali data z různých počtů prvků. Poté byly tyto soubory dat s rysy vysoké úrovně použity k trénování známých sítí, jako jsou sítě s dlouhou krátkodobou pamětí (LSTM), s rekurentní jednotkou s hradlem (GRU) a sítě s perceptronem s více vrstvami (MLP).	Classification; deep learning; feature selection; gait analysis; GRU; LSTM; MLP; pattern recognition
eng	Comparison of Feature Selection and Supervised Methods for Classifying Gait Disorders	Recently, systems for classifying gait disorders have been of great interest. However, quantifying the progress of these disorders has been highly dependent on a physician's judgement in classifying sick and healthy subjects. We examine the effects of gait stability analysis on gait dysfunction problems, which are impacted by the patient's dynamic balance. The dataset in this study was collected and labelled based on the opinions of physicians at Prague Hospital; it included 84 measurements of 37 patients. A keypoint detector was applied to detect the skeletal keypoints of patients. We have prepared two different datasets from the detection and tracking results. For the proposed feature selection method, we have used statistical measurements such as the x and y coordinates for each keypoint, the distance, and the angle between two selected keypoints. Using these statistical measurements, we have prepared different subgroups with different numbers of features to examine. We have also applied ten different feature selection algorithms to obtain data from different numbers of features automatically. Then, these datasets with high-level features were used to train well-known networks, such as the long short-term memory (LSTM), gated recurrent unit (GRU), and multiple layer perceptron (MLP) networks. The study results showed that the 30 features selected by the analysis of variance (ANOVA) algorithm and used to train the GRU network ranked among the best features and resulted in a classification F -score of 85%. The results also prove that the data generated by the detector method are more effective than the data generated by the tracking method due to the format of the exercises in our dataset, which were designed by physicians. Moreover, the best feature selection approaches have considerably improved the classification F -score compared to manual feature generation.	Classification; deep learning; feature selection; gait analysis; GRU; LSTM; MLP; pattern recognition

Search

Login for students

Login for employees

Publication detail

Department

Map

Services

Popular Links