Rozpoznanie porúch chôdze pomocou hlbokého učenia

Bc. Jakub Raček

Diplomová práce

Recognition of Gait Disorders using Deep Learning

Abstract:

The goal of the thesis was to classify persons into multiple classes corresponding to various gait disorders based on motion capture data. Each person was represented by a certain number of gait cycles, whereby in the context of this thesis, a gait cycle is a time series of kinetic and kinematic attributes of gait. Gait cycles are available separately for the left and right lower limb of each person. Various architectures of neural networks were used as classifiers, specifically recurrent neural networks (LSTM, GRU), convolutional neural network and autoencoder neural network. Before training, input data was transformed in different way, all classifiers were then trained on all variants of transformed data and the accuracies were compared. The accuracies of classifiers were evaluated at the level of gait cycles and also at the level of persons, where each person was classified by majority voting of classes which were classified to the given person's gait cycles. Implementation was written in the Python programming language and it uses the PyTorch machine learning framework.

Abstract:

Cieľom práce bolo klasifikovať osoby na základe zaznamenaných pohybových dát do tried zodpovedajúcich rôznym poruchám chôdze. Každá osoba bola reprezentovaná niekoľkými krokovými cyklami, pričom v kontexte tejto práce je krokový cyklus časová rada kinetických a kinematických atribútov chôdze. Krokové cykly sú k dispozícií separátne pre ľavú a pravú dolnú končatinu danej osoby. V úlohe klasifikátora boli použité rôzne architektúry neurónových sietí, konkrétne rekurentné neurónové siete (LSTM, GRU), konvolučná neurónová sieť a autoencoder neurónová sieť. Pred samotným trénovaním boli vstupné dáta rôznymi spôsobmi transformované, pričom všetky klasifikátory boli trénované na všetkých variantách transformovaných dát a ich úspešnosti boli porovnané. Presnosti klasifikátorov boli vyhodnotené jednak na úrovni krokových cyklov a ďalej na úrovni osôb, pričom každá osoba bola klasifikovaná na základe väčšinového hlasovania tried klasifikovaných jej krokovým cyklom. Implementácia bola napísaná v jazyku Python a používa framework strojového učenia PyTorch.

Klíčová slova

porucha chôdze, krokový cyklus, pohybové dáta, klasifikácia, hlboké učenie, neurónové siete, gait disorder, gait cycle, motion data, classification, deep learning, neural networks

Jazyk práce: slovenština

Datum vytvoření / odevzdání či podání práce: 17. 5. 2022

Obhajoba závěrečné práce

• Obhajoba proběhla 22. 6. 2022
• Vedoucí: doc. RNDr. Jan Sedmidubský, Ph.D.
• Oponent: prof. Ing. Pavel Zezula, CSc.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Umělá inteligence a zpracování dat / Zpracování a analýza rozsáhlých dat