Explaining Deep Learning Models for Age-related Gait Classification based on time series acceleration

要約

歩行分析は、特に高齢者の毎日の健康状態を監視する上で非常に重要です。
センサー技術の進歩により、現実環境における動きを捕捉し、ビッグデータを生成できるようになります。
機械学習、特にディープラーニング (DL) は、これらのビッグデータを歩行分析に使用する可能性を示しています。
ただし、これらのモデルの固有のブラックボックスの性質により、臨床応用には課題​​が生じます。
この研究は、SHAP などの説明可能な人工知能を使用して、高齢者に関連した歩行パターンに対する DL ベースの歩行分類の透明性を高めることを目的としています。
成人129名と高齢者(65歳以上)115名からなる合計244名の被験者が含まれた。
彼らは、加速度計が腰部 L3 に取り付けられている間、3 分間の歩行課題を実行しました。
DL モデル、畳み込みニューラル ネットワーク (CNN) とゲート反復ユニット (GRU) は、成人と高齢者のグループを分類するために、それぞれ 1 ストライドと 8 ストライドの加速を使用してトレーニングされました。
SHAP はモデルの予測を説明するために使用されました。
CNN は精度 81.4%、AUC 0.89 で満足のいくパフォーマンスを達成し、GRU は精度 84.5%、AUC 0.94 で有望な結果を示しました。
SHAP 分析により、CNN と GRU の両方が、垂直方向と歩行方向のデータに高い SHAP 値を割り当て、特に、末端スイングから荷重応答段階までにわたるかかと接地周りのデータを強調していることが明らかになりました。
さらに、SHAP 値は、GRU がすべてのストライドを平等に扱っていないことを示しました。
CNN は、1 歩幅のデータの特徴に基づいて、成人と高齢者を正確に区別しました。
GRU は、ストライド間の関係や微妙な違いを考慮することで、正確な分類を実現しました。
両方のモデルにおいて、かかとの接地に関するデータが最も重要であることが明らかになり、異なる年齢層の間で歩行中の加速と減速のパターンに違いがあることを示唆しています。

要約(オリジナル)

Gait analysis holds significant importance in monitoring daily health, particularly among older adults. Advancements in sensor technology enable the capture of movement in real-life environments and generate big data. Machine learning, notably deep learning (DL), shows promise to use these big data in gait analysis. However, the inherent black-box nature of these models poses challenges for their clinical application. This study aims to enhance transparency in DL-based gait classification for aged-related gait patterns using Explainable Artificial Intelligence, such as SHAP. A total of 244 subjects, comprising 129 adults and 115 older adults (age>65), were included. They performed a 3-minute walking task while accelerometers were affixed to the lumbar segment L3. DL models, convolutional neural network (CNN) and gated recurrent unit (GRU), were trained using 1-stride and 8-stride accelerations, respectively, to classify adult and older adult groups. SHAP was employed to explain the models’ predictions. CNN achieved a satisfactory performance with an accuracy of 81.4% and an AUC of 0.89, and GRU demonstrated promising results with an accuracy of 84.5% and an AUC of 0.94. SHAP analysis revealed that both CNN and GRU assigned higher SHAP values to the data from vertical and walking directions, particularly emphasizing data around heel contact, spanning from the terminal swing to loading response phases. Furthermore, SHAP values indicated that GRU did not treat every stride equally. CNN accurately distinguished between adults and older adults based on the characteristics of a single stride’s data. GRU achieved accurate classification by considering the relationships and subtle differences between strides. In both models, data around heel contact emerged as most critical, suggesting differences in acceleration and deceleration patterns during walking between different age groups.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google