تفكيك سالمندان با سابقه زمين خوردن از سالمندان بدون سابقه زمين خوردن با استفاده از دسته‌ ويژگي‌هاي جديد استخراج شده از الگوي متناوب راه رفتن

Classification of elderly subjects to fallers and non-fallers using a novel set of features extracted from gait frieze pattern

با افزايش سن و يا بروز برخي بيماري‌ها نحوه راه رفتن تغيير مي‌كند. براي مثال مشاهدات متعدد دلالت براين دارند كه نحوه راه رفتن در سالمنداني كه سابقه زمين خوردن دارند با افراد سالم متفاوت است. هدف اين مقاله ارايه روشي برمبناي تحليل حركت با كمك تصاوير ويديويي اخذ شده از فرد مورد آزمايش و بدون استفاده از نشانگر براي طبقه‌بندي سالمندان به افراد با سابقه زمين خوردن و افراد بدون سابقه زمين خوردن است. بعلاوه به‌منظور نشان دادن كارايي اين روش، از آن براي طبقه‌بندي 8 نوع راه رفتن غيرطبيعي استفاده مي‌شود. در روش ارايه شده، ابتدا فرد مورد آزمايش از پس‌زمينه استخراج و الگوي متناوب محاسبه شد. سپس با آستانه‌گذاري بر الگوهاي متناوب، اين الگوها هم‌تراز شدند و با استفاده از عملگرهاي شكل‌شناسي (مورفولوژي) تصوير جديدي بر اساس الگوهاي متناوب ايجاد شد. به منظور سنجش ميزان كارآمدي ويژگي‌هاي استخراج شده براي طبقه‌بندي سالمندان به دو گروه با سابقه افتادن و سالمندان بدون سابقه و تفكيك آنها از افراد جوان، تصاوير ويديويي انجام آزمون برخيزوبرو از 8 سالمند با سابقه زمين خوردن، 8 سالمند بدون سابقه و 8 جوان سالم جمع‌آوري ‌شد. به علاوه براي طبقه‌بندي نحوه راه رفتن به دو گروه طبيعي و غيرطبيعي از جوانان خواسته ‌شد تا علاوه بر راه رفتن معمولي و تند، به انجام 7 نوع مختلف راه رفتن‌ نابهنجار شامل لنگيدن، اردك وار راه رفتن، تلوتلو به جلو عقب و طرفين، كشان كشان راه رفتن و زانوي بلند راه رفتن تظاهر كنند. پس از اعمال روش پيشنهادي، هر بار يكي از داده‌ها به عنوان آزمون بيرون گذاشته شده و شباهت آن با ساير داده‌ها به كمك همبستگي بهنجار سنجيده شد و برچسب گروه مربوط به داده‌اي كه الگوي حاشيه‌اي آزمون بيشترين شباهت را با آن داشت، به داده آزمون نسبت داده ‌شد. در آزمون‌برخيزو برو متعارف طبقه‌بندي برپايه زمان كل آزمون صورت مي‌گيرد. در اين پژوهش ما نشان داديم كه روش پيشنهادي خطايي در حدود 20% كمتر از روش متعارف برخيزوبرو دارد. به‌علاوه در اين پژوهش نشان داده ‌شد كه خطاي روش پيشنهادي در تشخيص انواع راه رفتن نيز حدوداً 10% است.

Changes in gait pattern are early symptoms in many disorders such as balance and control problems resulted in fall among elderlies. This paper aims at proposing a new set of features extracted from Gait Frieze Pattern (GFP) in order to classify seniors to fallers and non-fallers. For indicating the effectiveness of the presented method, the algorithm is used for recognition of different type of abnormal gaits. The introduced method consists of three main steps: extracting the subject from background, generating GFP and aligning them, and building the proposed image from GFP by thresholding followed by morphological operations. For evaluation of the proposed features, video sequences are collected from 8 elderly fallers, 8 non-fallers, and 8 youth while performing standard Timed Up and Go (TUG) test. In addition to TUG test youths are asked to walk fast and pretend to walk with 6 different types of abnormalities (limping, waddling, anterior- posterior sway, lateral sway, dragging, steppage gait). For finding correct classification rate, each time one data is considered as test and others as train and label of train data with the most similarity with test one on the score of normalized cross correlation is assigned to test data. Comparing to conventional TUG test, correct classification data is improved around 20% for faller detection. In addition, correct classification rate for detecting of different abnormalities in gait is approximately 90%.