Please use this identifier to cite or link to this item:
https://hdl.handle.net/10316/102864
Title: | Automatic diagnosis of gait pathologies using GaitRec dataset | Other Titles: | Diagnóstico automático de patologias da marcha usando a base de dados GaitRec | Authors: | Teixeira, André Luís Ferreira | Orientador: | Crisóstomo, Manuel Marques | Keywords: | Aprendizagem computacional; Marcha humana; Forças de reação de solo (FRS); GaitRec; Indexes de marcha; Machine learning; Human Gait; Ground reaction forces (GRF); GaitRec; Gait Indexes | Issue Date: | 27-Sep-2022 | Serial title, monograph or event: | Automatic diagnosis of gait pathologies using GaitRec dataset | Place of publication or event: | ISR (Instituto de Sistemas e Robótica) | Abstract: | A marcha humana tem sido estudada por anos, devido às várias aplicações possíveis, como prevenção de diferentes patologias, análise de rendimento em atletas, entre outros. Recentemente, aplicações para usar a marcha como identificação de um indivíduo têm sido estudadas. Das várias formas de caracterizar a marcha, vamos usar as forças de reação do solo. As forças de reação do solo são compostas em três forças, vertical, médio-lateral e anteriorposterior. Foi usada uma grande base de dados, GaitRec, que contém bastante informação descritiva e usa estas forças para caracterizar a marcha. O objetivo passa por dar uma referência de como a marcha de um indivíduo específico deve ser para se considerar saudável. A identificação do indivíduo vai passar pelas variáveis: género, velocidade da marcha, idade, índice de massa corporal. Sendo dada uma referência para cada lado, esquerdo e direito. Outro objetivo é dar um diagnóstico através de índices de marcha humana.Para implementar estas referências saudáveis de marcha, algoritmos de aprendizagem computacional foram usados, como linear regression, extreme machine learning, ridge extreme machine learning, convolutional neural networks e multiple output support vector machine. Aqui são apresentados dois critérios visando selecionar o melhor algoritmo. Os dois critérios são: capacidade de se comportar igual à verdadeira resposta e o menor valor de distância entre a resposta verdadeira e a resposta criada pelos algoritmos de aprendizagem computacional. Para métrica de distância será usada a dynamic time warping. O algoritmo extreme machine learning provou ter o melhor resultado. Dois índices de marcha humana, índice de simetria e erro global, provam que, juntos, conseguem diagnosticar 100% de forma correta.Para apresentar resultados, duas aplicações foram elaboradas para poder apresentar resultados de forma mais simples e estão disponíveis em https://github.com/adenrteixeira/Gait-Analysis-App. The human gait has been analyzed for centuries since it helps to prevent and diagnose different pathologies. Lately was also studied the possibility to be used in identification of a person due to the uniqueness of one’s gait. There are many ways to characterize the human gait, but the late trend and becoming standard are the ground reactions forces. They are composed by three forces, vertical, mediolateral and anterior-posterior. This what we will use to study the human gait. It’s going to beused a dataset, GaitRec, that is a large, fully annotated dataset that uses ground reaction forces to represent gait data.The objective passes through giving a specific individual their healthy gait reference (we will give two references because we have two limbs, left and right), based on body characterization such as age, gait speed, sex, body mass index. This way we can specifically give a healthy reference instead of a general approach of what it should be looking like. Also, we will be giving a diagnosis through human gait indexes.To implement this healthy gait references, machine learning algorithms were used, like, convolutional neural networks, extreme machine learning, ridge extreme machine learning, linear regression and multiple output support vector machine. Here were presented two criteria in order to select the best algorithm. Capability of following the true response and the least distance between the true response and the created one. Dynamic time warping was used as a metric to give the distance value.The best algorithm proves to be extreme machine learning. Two human gait indexes, symmetric index and global error, prove, that together, are enough to have 100% accurate classification.To present results, two apps were built and are available at https://github.com/adenrteixeira/Gait-Analysis-App. |
Description: | Dissertação de Mestrado em Engenharia Eletrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia | URI: | https://hdl.handle.net/10316/102864 | Rights: | openAccess |
Appears in Collections: | UC - Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
TeseAndreTeixeira_v2.pdf | 10.35 MB | Adobe PDF | View/Open |
Page view(s)
82
checked on Aug 13, 2024
Download(s)
80
checked on Aug 13, 2024
Google ScholarTM
Check
This item is licensed under a Creative Commons License