Please use this identifier to cite or link to this item:
http://hdl.handle.net/10773/33934
Title: | Machine learning classification of human gait disorders |
Other Titles: | Aprendizagem automática para classificação de distúrbios da marcha humana |
Author: | Ventuzelos, João Pedro Dias |
Advisor: | Silva, Filipe Miguel Teixeira Pereira da Ferreira, João Paulo Morais |
Keywords: | Human gait disorders Ground reaction forces Time series classification Multilayer perceptron Convolutional neural networks |
Defense Date: | 25-Nov-2021 |
Abstract: | Computerized human gait analysis is commonly used by researchers and
physicians to detect disorders, evaluate therapy progress, or improve athletic
performance. Advances in instrument and measurement technology has allowed
the quantification of human gait characteristics, such as kinematic
and kinetic parameters, electromyographic activity and energy consumption.
In particular, the quantification of ground reaction forces (GRFs) has proved
to be an important tool in the healthcare context. However, the extraction
of meaningful features and their interpretation from the amount of complex
data is still a challenging task. Consequently, machine learning methods are
becoming popular to deal with the high-dimensionality, temporal dependencies,
strong variability, and non-linear relationships present in human gait
data. This dissertation aims to study the application of machine learning
techniques for the classification of human gait disorders, using the annotated
GaitRec dataset. The dataset contains bi-lateral 3D-GRF data from
healthy individuals, as well from patients with musculoskeletal impairments
at the hip, knee, ankle and calcaneus. This work addresses the custom
development of classification models capable of differentiating normal vs.
abnormal gait patterns (binary problem), as well as classifying pathological
gait disorders (multi-class problem). The focus is on the comparison
between classical fully-connected models and 1D convolutional neural networks
(CNNs), in terms of prediction accuracy. Additionally, pre-processed
time series are converted into a two-dimensional input image, which is applied
to a 2D-CNN to explore asymmetries in bilateral GRFs. The results
obtained show that the fully-connected model outperforms in 1% the 1DCNN
model. The binary classifier achieved a prediction accuracy around
99.0%, while the multi-class accuracy score is around 97.2%. The preliminary
results achieved with the image-based 2-D CNN are much lower which
may indicate that additional efforts will be needed to take advantage of this
approach. A análise computadorizada da marcha humana é normalmente usada por investigadores e médicos para detetar distúrbios, avaliar o progresso da terapia ou melhorar o desempenho atlético. Os avanços da tecnologia e dos instrumentos de medidas têm permitido a quantificação das características da marcha humana, como parâmetros cinemáticos e cinéticos, atividade eletromiografia e consumo de energia. Em particular, a quantificação das for,cas de reação do solo (FRS) têm se revelado uma ferramenta importante no contexto da saúde. No entanto, a extração de características significativos e a sua interpretação a partir de grandes quantidades de dados ainda é uma tarefa desafiadora. Consequentemente, os métodos de aprendizagem automática estão a tornar-se populares para lidar com a alta dimensionalidade, dependências temporais, grande variabilidade e relações não lineares presentes nos dados de marcha humana. Esta dissertação tem como objetivo estudar a aplicação de técnicas de aprendizagem automática na classificação de distúrbios da marcha humana, utilizando o dataset anotado GaitRec. O dataset contém dados bilaterais 3D-FRS de indivíduos saudáveis, bem como de pacientes com lesões musculoesqueléticas no quadril, joelho, tornozelo e calcanhar. Este trabalho aborda o desenvolvimento de modelos de classificação capazes de diferenciar padrões de marcha normais vs. anormais (problema binário), bem como classificar distúrbios patológicos da marcha (problema multiclasse). O estudo está centrado na comparação entre os modelos clássicos totalmente conetados e as redes neurais convulsionais (CNNs). Adicionalmente, as séries temporais são pré-processadas e convertidas numa imagem bidimensional que é aplicada a uma rede convolucional 2D para explorar assimetrias nas FRS bilaterais. Os resultados obtidos mostram que a rede com múltiplas camadas totalmente conetadas supera em 1% a rede convolucional. O classificador binário alcançou uma precisão em torno de 99,0%, enquanto a precisão do modelo multiclasse ´e de cerca de 97,2%. Os resultados preliminares obtidos com a rede convolucional 2-D baseada em imagens são inferiores, o que pode indicar que são necessários esforços adicionais para tirar proveito dessa abordagem. |
URI: | http://hdl.handle.net/10773/33934 |
Appears in Collections: | UA - Dissertações de mestrado DETI - Dissertações de mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Documento_João_Ventuzelos.pdf | 6.98 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.