نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 دانشآموختة کارشناسی ارشد مهندسی پزشکی، بیوالکتریک، آزمایشگاه موتورکنترل و علوم اعصاب، دانشکده مهندسی برق و کامپیوتر، پردیس دانشکدههای فنی، دانشگاه تهران
2 دانشیار، گروه مهندسی پزشکی، آزمایشگاه موتورکنترل و علوم اعصاب، قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، پردیس دانشکدههای فنی، دانشگاه تهران
چکیده
با افزایش سن و یا بروز برخی بیماریها نحوة راه رفتن تغییر میکند. برای مثال مشاهدات متعدد دلالت براین دارند که نحوة راه رفتن در سالمندانی که سابقه زمین خوردن دارند با افراد سالم متفاوت است. هدف این مقاله ارائة روشی برمبنای تحلیل حرکت با کمک تصاویر ویدئویی اخذ شده از فرد مورد آزمایش و بدون استفاده از نشانگر برای طبقهبندی سالمندان به افراد با سابقه زمین خوردن و افراد بدون سابقه زمین خوردن است. بعلاوه بهمنظور نشان دادن کارایی این روش، از آن برای طبقهبندی 8 نوع راه رفتن غیرطبیعی استفاده میشود. در روش ارائه شده، ابتدا فرد مورد آزمایش از پسزمینه استخراج و الگوی متناوب محاسبه شد. سپس با آستانهگذاری بر الگوهای متناوب، این الگوها همتراز شدند و با استفاده از عملگرهای شکلشناسی (مورفولوژی) تصویر جدیدی بر اساس الگوهای متناوب ایجاد شد. به منظور سنجش میزان کارآمدی ویژگیهای استخراج شده برای طبقهبندی سالمندان به دو گروه با سابقة افتادن و سالمندان بدون سابقه و تفکیک آنها از افراد جوان، تصاویر ویدئویی انجام آزمون برخیزوبرو از 8 سالمند با سابقة زمین خوردن، 8 سالمند بدون سابقه و 8 جوان سالم جمعآوری شد. بهعلاوه برای طبقهبندی نحوة راه رفتن به دو گروه طبیعی و غیرطبیعی از جوانان خواسته شد تا علاوه بر راه رفتن معمولی و تند، به انجام 7 نوع مختلف راه رفتن نابهنجار شامل لنگیدن، اردک وار راه رفتن، تلوتلو به جلو عقب و طرفین، کشان کشان راه رفتن و زانوی بلند راه رفتن تظاهر کنند. پس از اعمال روش پیشنهادی، هر بار یکی از دادهها به عنوان آزمون بیرون گذاشته شده و شباهت آن با سایر دادهها به کمک همبستگی بهنجار سنجیده شد و برچسب گروه مربوط به دادهای که الگوی حاشیهای آزمون بیشترین شباهت را با آن داشت، به دادة آزمون نسبت داده شد. در آزمونبرخیزو برو متعارف طبقهبندی برپایة زمان کل آزمون صورت میگیرد. در این پژوهش ما نشان دادیم که روش پیشنهادی خطایی در حدود 20% کمتر از روش متعارف برخیزوبرو دارد. بهعلاوه در این پژوهش نشان داده شد که خطای روش پیشنهادی در تشخیص انواع راه رفتن نیز حدوداً 10% است.
کلیدواژهها
- تحلیل راه رفتن
- الگوی متناوب راه رفتن
- سالمندان با سابقة زمین خوردن
- طبقهبندی انواع راه رفتن
- تشخیص راه رفتن غیرطبیعی
- آزمون برخیزوبرو
موضوعات
عنوان مقاله [English]
Classification of elderly subjects to fallers and non-fallers using a novel set of features extracted from gait frieze pattern
نویسندگان [English]
- Ziba Gandomkar 1
- Fariba Bahrami 2
1 M.Sc., Biomedical Engineering, Motion Control and Computational Neuroscience laboratory, School of ECE, College of Engineering, University of Tehran
2 Associate Professor, University of Tehran, College of Engineering, School of ECE, Motion Control and Computational Neuroscience laboratory, Control and Intelligent Processing Center of Excellence (CIPCE).
چکیده [English]
Changes in gait pattern are early symptoms in many disorders such as balance and control problems resulted in fall among elderlies. This paper aims at proposing a new set of features extracted from Gait Frieze Pattern (GFP) in order to classify seniors to fallers and non-fallers. For indicating the effectiveness of the presented method, the algorithm is used for recognition of different type of abnormal gaits. The introduced method consists of three main steps: extracting the subject from background, generating GFP and aligning them, and building the proposed image from GFP by thresholding followed by morphological operations. For evaluation of the proposed features, video sequences are collected from 8 elderly fallers, 8 non-fallers, and 8 youth while performing standard Timed Up and Go (TUG) test. In addition to TUG test youths are asked to walk fast and pretend to walk with 6 different types of abnormalities (limping, waddling, anterior- posterior sway, lateral sway, dragging, steppage gait). For finding correct classification rate, each time one data is considered as test and others as train and label of train data with the most similarity with test one on the score of normalized cross correlation is assigned to test data. Comparing to conventional TUG test, correct classification data is improved around 20% for faller detection. In addition, correct classification rate for detecting of different abnormalities in gait is approximately 90%.
کلیدواژهها [English]
- Gait analysis
- Gait Frieze Pattern
- Elderly Fallers
- Gait Classification
- Abnormal Gait Detection
- Timed Up and Go