Publikace detail

Triple Parallel LSTM Networks for Classifying the Gait Disorders Using Kinect Camera and Robot Platform During the Clinical Examination

Autoři: Shayestegan Mohsen | Zálabský Tomáš | Mareš Jan

Rok: 2023

Druh publikace: článek ve sborníku

Název zdroje: International Conference on Electrical, Computer, Communications and Mechatronics Engineering, ICECCME 2023 : proceedings

Název nakladatele: IEEE (Institute of Electrical and Electronics Engineers)

Místo vydání: New York

Strana od-do: 1-6

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Trojité paralelní sítě LSTM pro klasifikaci poruch chůze pomocí kamery Kinect a robotické platformy během klinického vyšetření	Tento článek představuje novou metodiku zpracování dat a metodu klasifikace poruch chůze, která je pozorována kamerou Kinect. Studium chůze a stability pohybu u poruch chůze je jednou z nejzajímavějších oblastí výzkumu v této oblasti. Pacient a lékař musí sledovat průběh rehabilitačního procesu před operací a po ní, aby získali objektivní pohled na rehabilitační proces. V této studii je pacient snímán kamerou Kinect umístěnou na mobilní robotické platformě. Pro extrakci a analýzu příznaků jsou shromažďovány snímky cvičení (tři cviky chůze) a ukládány do datových složek. Tato studie využívá 84 měření 37 pacientů s komplexními pozorováními na základě názoru lékaře v klinickém prostředí k řešení problémů s klasifikací. Při analýze poruch chůze hrají zásadní roli data o pohybu. Navíc snižuje výběr užitečných tělesných znaků pro hodnocení poruch chůze. Navržený systém využívá detektor klíčových bodů, který vypočítává tělesné orientační body a klasifikuje poruchy chůze pomocí tříparalelních sítí s dlouhou krátkodobou pamětí (LSTM). Tato studie prokazuje úspěšnost metody při klasifikačním vyhodnocování v kombinaci s nejmodernější metodou odhadu polohy. Pro dané soubory jedinců bylo dosaženo přibližně 81% přesnosti při použití znaků založených na rychlosti, úhlu a poloze.	klasifikace; hluboké učení; poruchy chůze; LSTM
eng	Triple Parallel LSTM Networks for Classifying the Gait Disorders Using Kinect Camera and Robot Platform During the Clinical Examination	This paper presents a new methodology for the data processing and classification method for gait disorders, which is observed with a Kinect camera. The study of gait and motion stability in gait disorders is one of the most interesting research areas in the field. The patient and the physician must monitor the progress of the rehabilitation process before and after surgery to obtain an objective view of the rehabilitation process. In this study, the patient is scanned with the Kinect camera placed on a mobile robotic platform. For feature extraction and feature analysis, the exercises (three walking exercises) frames are collected and saved in data folders. This study uses 84 measurements of 37 patients with complex observations based on the physician's opinion in a clinical setting to address classification problems. In the analysis of gait disorders, motion data play an essential role. Furthermore, it reduces the selection of helpful body features for assessing gait disorders. The proposed system uses a key-point detector that computes body landmarks and classifies gait disorders using triple-parallel long short-term memory (LSTM) networks. The present study demonstrates the success of the method in classification evaluation when combined with the state-of-the-art pose estimation method. Around 81 percent accuracy was achieved for given sets of individuals using velocity-based, angle-based, and position-based features.	classification; deep learning; gait disorders; LSTM

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte