Detailansicht

Using neural networks for functional gait disorder classification based on ground reaction force measurements
Thomas Spendlhofer
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Zentrum für Sportwissenschaft und Universitätssport
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Sportwissenschaft
Betreuer*in
Arnold Baca
Volltext herunterladen
Volltext in Browser öffnen
Alle Rechte vorbehalten / All rights reserved
DOI
10.25365/thesis.64692
URN
urn:nbn:at:at-ubw:1-13196.93943.114911-3
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)

Abstracts

Abstract
(Deutsch)
Quantification of Ground Reaction Force (GRF) measurements combined with a simple vi- sual inspection is a commonly used approach for conducting gait analysis in clinical prac- tice. Nonetheless, it is not a trivial task, requiring an experienced clinician to draw valid conclusions about the impairment. Several attempts have been made in order to automate that process, but very few focussed solely on data obtained by measurements conducted using force plates. The most exhaustive research in the field so far, tries to map gait im- pairments to the location (the joint) of the corresponding injury using the five main classes: Healthy - Hip - Knee - Ankle - Calcaneus. This thesis tries to expand on that approach by employing different versions of neural networks for the classification task. Even though the proposed methods specialize in recognizing temporal dependencies and relationships between the individual components of GRF-measurements, experiments revealed that the increase in accuracy is minimal when compared to much simpler architectures. The best re- sult achieved scored 73.97% accuracy on a randomly sampled validation-set outperforming the established benchmark on a Support Vector Machine (SVM) by 10%. However, high variability within classes and individuals make GRF-classification a challenging problem and significantly lower accuracies where found for a larger test-set (61.91%), raising doubts about the generalizability and robustness of the implemented classifiers.
Abstract
(Englisch)
Aufgrund der raschen Entwicklung und dem fortschreitenden Erfolg von künstlicher Intelligenz (besonders im Bereich des sogenannten Deep Learnings), ist es nicht weiter verwunderlich dass zahlreiche Versuche unternommen wurden, diese Methoden auch für die Ganganalyse zu nutzen. Viele Forschungsprojekte zu diesem Thema verwenden dabei sowohl kinetische als auch kine- matische Daten, die mittels eines 3D Ganganalysesystems erhoben werden. Aufgrund der hohen Anschaffungskosten und der relativ zeitintensiven Messungen, finden solche Systeme jedoch nur selten Anwendung im klinischen Alltag. Viel verbreiteter ist die Analyse der Bodenreak- tionskräfte (erhoben mittels Kraftmessplatten) gekoppelt mit einer visuellen Inspektion durch erfahrenes Personal. Eine derartige Analyse könnte erheblich von einer automatischen Klassi- fizierung solcher Daten profitieren, die dazu in der Lage wäre quantitative und nachvollziehbare Information sowohl für die Diagnose als auch für die Planung und Kontrolle des Rehabilitation- sprozesses beizusteuern. Die bisher größte Studie, welche sich ausschließlich mit der Klassifikation von Bodenreak- tionskräften beschäftigt, versucht eine Verbindung zwischen der jeweiligen Beeinträchtigung und dem von der Verletzung betroffenen Gelenk herzustellen. Dabei wird zwischen den fol- genden fünf Klassen zu unterschieden: Gesund - Hüfte - Knie - Knöchel – Calcaneus. Eine solche Klassifizierung erweist sich jedoch als schwierig und die Genauigkeit der Methode (62% unter Benutzung einer Support Vector Machine) ist noch erheblich unter der erstrebenswerten Anforderung für eine medizinische Anwendung. Da zeitliche Abhängigkeiten und Beziehun- gen zwischen den einzelnen Komponenten einer Bodenreaktionskraftmessung in den bisheri- gen Studien nicht berücksichtigt wurden, wird im Rahmen dieser Masterarbeit versucht diese zusätzliche Information mithilfe neuronaler Netze zu analysieren um eine höhere Genauigkeit zu erzielen. Dabei kommt eine Anzahl speziell entwickelter (z.Bsp. LSTM - Long Short-Term Memory) oder adaptierter (z.Bsp. Convolutional Neural Networks – CNNs) Methoden für die Zeitreihenanalyse zum Einsatz. Die angewendeten Modelle wurden entweder bereits erfolgreich für Bodenreaktionskraftdaten getestet oder zeigten gute Ergebnisse bei Experimenten mit unter- schiedlichen Arten von Zeitreihen und repräsentieren den gegenwärtigen Stand der Forschung in diesem Bereich. Zur Evaluation dieser Netzwerkarchitekturen wurde die GaitRec-Daten herangezogen, welche sowohl einen balanzierten Trainingsdatensatz als auch unabhängige Testdaten zur Verfügung stellen. Um die optimalen Parameter der individuellen Architekturen zu erheben, wurde der Trainingsdatensatz in ein Trainings- (80%) und Validierungs-set (20%) geteilt, und Kandidaten für weitere Tests wurden anhand der erzielten Genauigkeit am Validierungs-set ausgewählt. Die folgenden vier Komponenten neuronaler Netzwerke wurden (unabhängig und in Kombination) getestet um das beste Modell für Bodenreaktionskraftdaten zu finden: (1) Multi-Layer Per- 102ceptron (MLP), (2)1-dimensional convolution (1D-CNN), (3) 2-dimensional convolution (2D- CNN) and (4) LSTM. Zusätzlich wurden komplexere Modelle, die große Erfolge in der multi- variaten Zeitreihenanalyse erzielen konnten implementiert (FCN - Fully Connected Network, ResNet - Residual Network und InceptionTime) und auch Umwandlungen von Zeitreihen zu Bildern (um von der hohen Genauigkeit aktueller Bilderkennungsanwendungen zu profitieren) untersucht. Die durchgeführten Experimente zeigen jedoch dass auch solche komplexen Methoden nicht dazu in der Lage sind, weitere Muster in den Daten zu identifizieren und die erzielte Genauigkeit kann nur minimal bis gar nicht gesteigert werden. Generell erscheint der Informationsgehalt der Daten größtenteils redundant zu sein, da nur wenige Datenpunkte dazu in der Lage sind die Qual- ität der Klassifizierung zu beeinflussen. Das beste Ergebnis am unabhängigen Testset wurde von einem relativ simplen Netzwerk (61.91%, MLP mit nur einem Layer) erzielt und konnte von keiner der anderen Methoden übertroffen werden. Dies legt nahe, dass weder in den zeitliche Abhängigkeiten noch in den Korrelationen zwischen den Komponenten relevante Information enthalten ist, die für eine bessere Klassifikation genutzt werden könnte. Im Gegenteil, erste Tests mit reduzierten Datensätzen zeigen dass die Anzahl der Datenpunkte auf mindestens ein Zehntel reduziert werden kann, ohne signifikant an Genauigkeit zu verlieren. Das relativ gute Abschneiden der CNNs auf dem Validierungs-set, bei dem mehrere verschiedene Architekturen eine Genauigkeit von 73.97% erreichen, suggeriert ebenfalls einen limitierten Informationsge- halt. Da keines der Modell dazu in der Lage ist die Schwelle von 74% zu überschreiten, könnte dies bedeuten dass keine (global) bessere Lösung existiert und somit auch kein besseres Ergebnis erzielt werden kann. Trotz dieser etwas enttäuschenden Resultate in Bezug auf die Klassifikationsgenauigkeit, zeigen die Experimente dass entsprechende Schritte bei der Vor- und Nachbearbeitung der Daten dazu in der Lage sind das Resultat zu beeinflussen. Während sowohl das Eingabe-Format als auch der Netzwerktyp nur eine untergeordnete Rolle spielen, zeigen die Versuche deutlich bessere Ergeb- nisse wenn die Daten erneut normalisiert wurden, und zwar unabhängig von der dabei gewählten Methode. Zusätzlich konnten positive Effekte beobachtet werden wenn mit sämtlichen Daten (die während eines einzelnen Ganganalyse-Termins erhoben wurden) gearbeitet wurde anstatt den Mittelwert der individuellen Messungen zu verwenden. Insbesondere in Kombination mit einer späten Aggregation (d.h. Klassifikation jedes einzelnen Trials) via Mehrheitsentschei- dung ist es möglich die Genauigkeit zusätzlich zu steigern. Während der Einfluss der Mehrheit- sentscheidung durchgehend positiv ausfällt, ist bezüglich der verschiedenen Kombinationen der Fusionierung individueller Trials weitere Forschung notwendig um deren Effekte und Auswirkun- gen zu verstehen.

Schlagwörter

Schlagwörter
(Englisch)
ground reaction force gait classification machine learning gait disorders neuronal networks
Schlagwörter
(Deutsch)
Bodenreaktionskräfte Ganganalyse machinelles Lernen neuronale Netzwerke
Autor*innen
Thomas Spendlhofer
Haupttitel (Englisch)
Using neural networks for functional gait disorder classification based on ground reaction force measurements
Paralleltitel (Deutsch)
Neuronale Netzwerke zur Klassifikation von Bodeanreaktionskräften in der Ganganalyse
Publikationsjahr
2020
Umfangsangabe
103 Seiten : Diagramme
Sprache
Englisch
Beurteiler*in
Arnold Baca
Klassifikationen
54 Informatik > 54.72 Künstliche Intelligenz ,
76 Sport, Freizeit, Erholung > 76.29 Sport, Sportwissenschaft: Sonstiges
AC Nummer
AC16065895
Utheses ID
57401
Studienkennzahl
UA | 066 | 826 | |
Universität Wien, Universitätsbibliothek, 1010 Wien, Universitätsring 1