A Two-stream Convolutional Network for Musculoskeletal and Neurological Disorders Prediction

要約

筋骨格系および神経系の障害は、高齢者の歩行障害の最も一般的な原因であり、生活の質の低下につながることがよくあります。
歩行運動データを手動で分析するには、訓練を受けた専門家が必要であり、評価は常に客観的であるとは限りません。
早期診断を容易にするために、最近の深層学習ベースの方法は、従来の機械学習方法では発見されなかったパターンを発見できる自動分析に有望な結果を示しています。
既存の研究では、主に関節位置の時系列などの個々の関節機能に深層学習が適用されていることがわかります。
一般的に小規模な医療データセットから足の間の距離 (歩幅) などの関節間の特徴を発見するという課題があるため、これらの方法は通常、最適に機能しません。
その結果、個々の関節の特徴と関節間の特徴の両方を入力として明示的に取得するソリューションを提案し、小さなデータからより複雑な特徴を発見する必要からシステムを解放します。
2 種類の機能の特徴的な性質により、1 つのストリームは関節位置の時系列から学習し、もう 1 つは相対的な関節変位の時系列から学習する 2 つのストリーム フレームワークを導入します。
さらに、中間層融合モジュールを開発して、これら 2 つのストリームで発見されたパターンを組み合わせて診断します。これにより、データの補完的な表現が得られ、予測パフォーマンスが向上します。
筋骨格系および神経系の障害を持つ 45 人の患者を含む 3D 骨格運動のベンチマーク データセットを使用してシステムを検証し、最先端の方法を上回る 95.56% の予測精度を達成しました。

要約(オリジナル)

Musculoskeletal and neurological disorders are the most common causes of walking problems among older people, and they often lead to diminished quality of life. Analyzing walking motion data manually requires trained professionals and the evaluations may not always be objective. To facilitate early diagnosis, recent deep learning-based methods have shown promising results for automated analysis, which can discover patterns that have not been found in traditional machine learning methods. We observe that existing work mostly applies deep learning on individual joint features such as the time series of joint positions. Due to the challenge of discovering inter-joint features such as the distance between feet (i.e. the stride width) from generally smaller-scale medical datasets, these methods usually perform sub-optimally. As a result, we propose a solution that explicitly takes both individual joint features and inter-joint features as input, relieving the system from the need of discovering more complicated features from small data. Due to the distinctive nature of the two types of features, we introduce a two-stream framework, with one stream learning from the time series of joint position and the other from the time series of relative joint displacement. We further develop a mid-layer fusion module to combine the discovered patterns in these two streams for diagnosis, which results in a complementary representation of the data for better prediction performance. We validate our system with a benchmark dataset of 3D skeleton motion that involves 45 patients with musculoskeletal and neurological disorders, and achieve a prediction accuracy of 95.56%, outperforming state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google