Advertisement

Erkennung und Klassifikation von Haltungs- und Gangmustern am Rollator durch Abstandsmessungen – ein Vergleich zwischen klinischer Beurteilung und maschineller Klassifikation

  • Christian Mandel
  • Amit ChoudhuryEmail author
  • Karin Hochbaum
  • Serge Autexier
  • Jeannine Budelmann
Originalien
  • 4 Downloads

Zusammenfassung

Hintergrund

Dieser Artikel beschreibt die Entwicklung eines Rollatormoduls zur sensorgestützten Haltungs- und Gangmustererkennung mit dem Ziel, eine alltagstaugliche Hilfe zur Sturzprävention zu entwickeln. Kernbeitrag ist ein Vergleich zwischen der Beurteilung einzelner Gangparameter durch klinisches Personal und der im Rollatormodul verwendeten maschinellen Klassifikationsmethode, der Mahalanobis-Distanz über Zeitreihen von Sensormesswerten.

Methodik

Das hier beschriebene Rollatormodul erweitert einen handelsüblichen Rollator um zwei Tiefenbildkameras, die sowohl den Oberkörper als auch Beine und Becken des Benutzers beobachten. Aus dem Strom von Tiefenbildern werden Distanzmessungen zu 8 relevanten Punkten auf der Körperoberfläche (Schultern, Beckenkämme, Oberschenkel, Schienbeine) zu Zeitreihen zusammengefasst, die einzelne Schrittzyklen beschreiben. Zur automatischen Klassifikation der Schrittzyklen im Hinblick auf 14 sicherheitsrelevante Gangparameter (Schrittbreite, -höhe, -länge, -symmetrie, -variabilität; Flexion von Oberkörper, Knie (l/r) und Hüfte (l/r); Position, Distanz zum Rollator; 2‑, 5‑wertiges Gangmuster. [Während das 2‑wertige Gangmuster einen Schrittzyklus grob in pathologisch und physiologisch unterteilt, differenziert das 5‑wertige Gangmuster zwischen antalgischen, ataktischen, paretischen, protektiven und physiologischen Schrittzyklen.]), wurden jeweils einzelne Klassifikationsalgorithmen mit Techniken des maschinellen Lernens trainiert und dazu mathematisch die Mahalanobis-Distanz verwendet (Distanz einzelner Schrittzyklen zu Klassenmitteln und zugehörigen Kovarianzmatrizen). Sowohl Trainings- als auch Testdatensätze wurden dazu im klinischen Kontext mit 29 Probanden gewonnen. Dabei diente die durch klinische Experten vorgenommene Beurteilung des Gangbildes einer am Rollator gehenden Person sowohl zur Annotierung sensorischer Schrittzyklusbeschreibungen der Trainings- als auch der verwendeten Testdatensätze. Zur Bewertung der Qualität der automatischen Klassifikation des Rollatormoduls wurde ein abschließender Vergleich zwischen menschlicher und maschineller Beurteilung über alle Gangparameter vorgenommen.

Ergebnisse

Die für den Vergleich mit dem maschinellen Lernverfahren herangezogene Gangbeurteilung durch medizinisches Personal zeigte über das gesamte Patientenkollektiv eine relativ homogene Klassenverteilung in den einzelnen Gangparametern. So zeigten beispielsweise 57 % eine erhöhte, und 43 % eine normale Distanz zum Rollator. Zentriert zum Rollator positionierten sich 51 % der Probanden, während 41 % eine links abweichende und 8 % eine rechts abweichende Position einnahmen. Zwölf weitere Gangparameter wurden in 2 bis 5 Klassen unterteilt und beurteilt. Einzelne Schrittzyklen eines jeden Probanden wurden mithilfe der trainierten Klassifikationsalgorithmen beurteilt. Die besten maschinellen Klassifikationsraten über alle Probanden ergaben sich für die Parameter Distanz zum Rollator (99,4 %) und das 2-wertige Gangmuster (99,2 %). Die Schrittvariabilität (94,6 %) und die Position zum Rollator (94,2 %) zeigten die schlechtesten Klassifikationsraten. Über alle Gangparameter und Probanden wurden 96,9 % aller Schrittzyklusbeschreibungen korrekt klassifiziert.

Diskussion/Ausblick

Mit einer durchschnittlichen Klassifikationsrate von 96,9 % eignet sich das beschriebene Gangklassifikationssystem sowohl für den Einsatz in einem patientenorientierten Trainings‑/Korrektursystem, das auf Fehlhaltungen im Alltag hinweist, als auch für ein potenzielles Diagnosesystem, das die Ganganalyse im klinischen Umfeld objektiviert. Vor dem Erreichen dieser Ziele konzentrieren sich aktuelle Arbeiten auf den Wechsel von tiefenbildkamerabasierter Distanzmessung zu kleinformatigen Distanzsensoren (1D Lidar) sowie das Design und die Implementierung einer geeigneten Rollatornutzerschnittstelle. Für den eigentlichen Klassifikationsalgorithmus wird zudem an einem Vergleich der Ergebnisse mit denen von gefalteten neuronalen Netzwerken gearbeitet.

Schlüsselwörter

Gangstörung Smart-Rollator Sturzprävention Ganganalyse Abstandsmessungen 

Recognition and classification of posture and gait patterns of rollator users by distance measurements—a comparison between clinical assessment and automatic classification

Abstract

Background

This article describes the development of an add-on module for wheeled walkers dedicated to sensor-based posture and gait pattern recognition with the goal to develop an everyday aid for fall prevention. The core contribution is a clinical study that compared single gait parameter assessments coming from medical staff to those obtained from an automatic classification algorithm, i. e. the Mahalanobis distance over time series of sensor measurements.

Methods

The walker-module described here extends an off-the-shelf wheeled walker by two depth cameras that observe the torso, pelvic, region and legs of the user. From the stream of depth images, distance measurements to eight relevant feature points on the body surface (shoulders, iliac crests, upper and lower legs) are combined to time series that describe the individual gait cycles. For automatic classification of gait cycle descriptions 14 safety-relevant gait parameters (gait width, height, length, symmetry, variability; flection of torso, knees (l/r), hips (l/r); position, distance to walker; 2‑value, 5‑value gait patterns [While the two-value gait pattern differentiates a gait cycle into physiological and pathological, the five-value gait pattern distinguishes between antalgic, atactic, paretic, protective, and physiological gait]), single classifier algorithms were trained using machine learning techniques based on the mathematical concept of the Mahalanobis distance (distance of individual gait cycles to class averages and corresponding covariance matrices). For this purpose, training and test datasets were gathered in a clinical setting from 29 subjects. Here, the assessment of gait properties given by medical experts served for the labelling of sensorial gait cycle descriptions of the training and test datasets. In order to evaluate the quality of the automated classification in the add-on module a final comparison between human and automatic gait parameter assessment is given.

Results

The gait assessment conducted by trained medical staff served as a comparator for the machine learning gait assessment and showed a relatively uniform class distribution of gait parameters over the group of probands, e. g. 57% showed an increased and 43% a normal distance to the walker. Of the subjects 51% positioned themselves central to the walker, while 41% took a left deviating, and 8% a right deviating position. A further 12 gait parameters were differentiated and evaluated in 2–5 classes. In the following, single gait cycle descriptions of each subject were assessed by trained classification algorithms. The best automatic classification rates over all subjects were given by the distance to walker (99.4%), and the 2-value gait pattern (99.2%). Gait variability (94.6%) and position to walker (94.2%) showed the poorest classification rates. Over all gait parameters and subjects, 96.9% of all gait cycle descriptions were correctly classified.

Discussion/outlook

With an average classification rate of 96.9%, the described gait classification approach is well suited for a patient-oriented training correction system that informs the user about false posture during every day walker use. A second application scenario is the use in a clinical setting for objectifying the gait assessment of patients. To reach these ambitious goals requires more future research. It includes the replacement of depth cameras by small size distance sensors (1D Lidar), the design and implementation of a suitable walker-user interface, and the evaluation of the proposed classification algorithm by contrasting it to results of modern deep convolutional neural network output.

Keywords

Gait disorders Smart rollator Fall prevention Gait analysis Distance measurements 

Notes

Förderung

Eine finanzielle Förderung der Arbeiten erfolgt ausschließlich durch das Bundesministerium für Bildung und Forschung im Rahmen des KMU-Innovations-Verbundprojektes „Rollatormodul zur Haltungserkennung und Sturzprävention“, ModESt, (Förderkennzeichen 16SV7633-16SV7636).

Einhaltung ethischer Richtlinien

Interessenkonflikt

C. Mandel, A. Choudhury, K. Hochbaum, S. Autexier und J. Budelmann geben an, dass kein Interessenkonflikt besteht.

Alle beschriebenen Untersuchungen am Menschen oder an menschlichem Gewebe wurden mit Zustimmung der zuständigen Ethikkommission, im Einklang mit nationalem Recht sowie gemäß der Deklaration von Helsinki von 1975 (in der aktuellen, überarbeiteten Fassung) durchgeführt. Von allen beteiligten Probanden liegt eine Einverständniserklärung vor.

Literatur

  1. 1.
    Runge M (2008) Der Sturz als Zeichen des Gebrechlichkeits-Syndroms. Geriatrie J 06:24–27Google Scholar
  2. 2.
    Bloch F, Thibaud M, Tounoux-Facon C, Brèque C, Rigaud A, Dugué B, Kemoun G (2013) Estimation of the risk factors for falls in the elderly: Can meta-analysis provide a valid answer? Geriatr Gerontol Int 13:250–263CrossRefGoogle Scholar
  3. 3.
    Gschwind YJ, Härdi I, Bridenbaugh S, Kressig R (2013) Gehhilfen im Alter: alles im Griff? Prim Care 13(22):395–396Google Scholar
  4. 4.
    Jahn K, Zwergal A, Schniepp R (2010) Gangstörungen im Alter. Dtsch Arztebl Int 107(17):306–316Google Scholar
  5. 5.
    Pirker KRW (2017) Gait disorders ind adults and the elderly. Wien Klin Wochenschr 129:81–95CrossRefGoogle Scholar
  6. 6.
    Gschwind YJ, Bridenbaugh S (2011) Die Rolle der Ganganalyse. Der informierte Arzt 06:39–41Google Scholar
  7. 7.
    Podsiadlo D, Richardson S (1991) The timed “Up & Go”: a test of basic functional mobility for frail elderly persons. J Am Geriatr Soc 39(2):142–148CrossRefGoogle Scholar
  8. 8.
    Tinetti M (1986) Performance-oriented assessment of mobility problems in elderly patients. J Am Geriatr Soc 34(2):119–126CrossRefGoogle Scholar
  9. 9.
    Guralnik J, Simonsick E, Ferrucci L, Glynn R, Berkman L, Blazer D, Scherr P, Wallace R (1994) A short physical performance battery assessing lower extremity function: association with self-reported disability and prediction of mortality and nursing home admission. J Gerontol 49(2):M85–M94CrossRefGoogle Scholar
  10. 10.
    Bortone I, Trotta GF, Brunetti A, Donato Cascarano G, Loconsole C, Agnello N, Argentiero A, Nicolardi G, Frisoli A, Bevilacqua V (2017) “A novel approach in combination of 3D gait analysis data for aiding clinical decision-making in patients with parkinson’s disease”. In: Intelligent computing theories and application (ICIC 2017). Lecture Notes in Computer Science, vol 10362. Springer, ChamGoogle Scholar
  11. 11.
    Murphy A, Rawicki B, Kravtsov S, New P (2017) Is clinical gait analysis useful in guiding rehabilitation therapy decisions in patients with spinal Cord damage? In: Converging clinical and engineering research on Neurorehabilitation II. Biosystems & Biorobotics. Springer, Cham, S 192–202Google Scholar
  12. 12.
    Zawiyah C, Hasan C, Jailani R, Tahir NM (2017) Automated classification of gait abnormalities in children with autism spectrum disorders based on kinematic data. Int J Psychiatr Psychother 2:10–15Google Scholar
  13. 13.
    McDonough A, Batavia M, Chen F, Kwon S, Ziai J (2001) The validity and reliability of the GAITrite system’s measurements: a preliminary evaluation. Arch Phys Med Rehabil 82(3):419–425CrossRefGoogle Scholar
  14. 14.
    Bojanic D, Petrovacki-Balj B, Jorgovanovic N, Llic V (2011) Quantification of dynamic EMG patterns during gait in children with cerebral palsy. J Neurosci Methods 198(2):325–331CrossRefGoogle Scholar
  15. 15.
    Rosati S, Agostini V, Knaflitz M, Balestra G (2017) Muscle activation patterns during gait: a hierarchical clustering analysis. Biomed Signal Process Control 31:463–469CrossRefGoogle Scholar
  16. 16.
    Caldas R, Mundt M, Potthast W, Buarque de Lima Neto F, Markert B (2017) A systematic review of gait analysis methods based on inertial sensors and adaptive algorithms. Gait Posture 57:204–210CrossRefGoogle Scholar
  17. 17.
    Ameli S, Naghdy F, Stirling D, Naghdy G, Aghmeshsh M (2017) Objective clinical gait analysis using inertial sensors and six minute walking test. Pattern Recognit 63:246–257CrossRefGoogle Scholar
  18. 18.
    Ballesteros J, Urdiales C, Martinez AB, Tirado M (2017) Automatic assessment of a rollator-user’s condition during rehabilitation using the i‑walker platform. IEEE Transactions on Neural Systems and Rehabilitation Engineering 25(11):2009–2017CrossRefGoogle Scholar
  19. 19.
    Wahl H, Kricheldorff C, Hedtke-Becker A (2018) Technik für vulberable ältere Menschen und ihre Angehörigen. Z Gerontol Geriatr 51(1):1–2CrossRefGoogle Scholar
  20. 20.
    Götz-Neumann K (2016) Gehen verstehen Ganganalyse in der Physiotherapie, 4. Aufl. Thieme, StuttgartGoogle Scholar
  21. 21.
    Zhang Z (2000) A flexible new technique for camera calibration. IEEE Trans Pattern Anal Mach Intell 22(11):1330–1334CrossRefGoogle Scholar
  22. 22.
    Mahalanobis PC (1936) On the Generalised distance in statistics. Proc Natl Inst Sci India 2(1):49–55Google Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  • Christian Mandel
    • 1
  • Amit Choudhury
    • 2
    Email author
  • Karin Hochbaum
    • 3
  • Serge Autexier
    • 1
  • Jeannine Budelmann
    • 4
  1. 1.Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)BremenDeutschland
  2. 2.Klinik für Geriatrie und FrührehabilitationKlinikum Bremen NordBremenDeutschland
  3. 3.Gesundheit Nord gGmbH, Klinikverbund BremenBremenDeutschland
  4. 4.Budelmann Elektronik GmbHMünsterDeutschland

Personalised recommendations