3d Vision; Gait recognition; Ambient Assisted Living
de
Abstract:
Die menschliche Mobilität ist ein bedeutender Gesundheitsindikator, vor allem für potentiell gebrechliche, ältere Menschen. Die Analyse des menschlichen Gangs basiert gegenwärtig auf kostenintensiven oder intrusiven Technologien. Tiefenkameras wie die Microsoft Kinect bieten eine günstige und unaufdringliche Alternative zur Analyse der menschlichen Mobilität. In dieser Arbeit wird Mobilitätsanalyse mittels Analyse des menschlichen Gangs und mittels automatischer Analyse des Timed UP & Go (TUG) Tests durchgeführt. Für beide Ansätze des Mobilitätsassessments wird jeweils eine Methode basierend auf Tiefendaten und eine Methode basierend auf Skelettdaten vorgestellt. Um die vorgestellten Ansätze zur Mobilitätsanalyse zu evaluieren, werden drei Datensätze aufgenommen und manuell markiert. Der erste Datensatz beinhaltet 234 Gangsequenzen von gesunden Erwachsenen, die auf vordefinierten Bodenmarkierungen gegangen sind. Der zweite Datensatz enthält 22 Gangsequenzen von 11 älteren Erwachsenen und der dritte Datensatz enthält 11 TUG Tests, die von älteren Erwachsenen durchgeführt werden. Der erste Ansatz zur Mobilitätsanalyse untersucht den menschlichen Gang durch die Extrahierung von fünf raum- und zeitabhängigen Gangparametern. Die extrahierten Parameter sind unter anderem Schrittgeschwindigkeit, Schrittlänge und Schrittdauer. Als erstes wird der vorgestellte Ansatz zur Ganganalyse auf dem ersten Datensatz, der aus Gangsequenzen von gesunden Erwachsenen besteht, validiert. In diesem Datensatz werden alle Zeitpunkte für das Auftreten der Ferse und das Abheben der Zehen händisch markiert um den Fehler der extrahierten Gangparameter ermitteln zu können. Außerdem wurde die Auswirkung von 3 verschiedenen Gangpfaden, 3 verschiedenen Schrittweiten und 2 verschiedenen Gangrichtungen auf den Fehler der Schrittlänge untersucht. Als zweites wird die Methode zur Ganganalyse auf den zweiten Datensatz, der aus Gangsequenzen von älteren Erwachsenen besteht, angewendet. In diesem Datensatz werden die Anzahl der Schritte für jede Gangsequenz manuell markiert. Es zeigt sich, dass die vorgestellte Methode, die auf dem Stand der Technik basiert, sich nur schlecht für die Erkennung von Schritten von älteren Erwachsenen eignet. Mittels einer vorgeschlagenen Modifikation der Methode können die Schritte allerdings korrekt erkannt werden. Weiters wird der Status der Gebrechlichkeit der älteren Erwachsenen basierend auf Gangdaten, der benötigten TUG Zeit und eines validierten Fragebogens ermittelt. Der zweite Ansatz zur Mobilitätsanalyse präsentiert eine Methode zur Kinect-basierten, automatischen Analyse des TUG Tests. Aktuell wird die benötigte Zeit für den TUG Test mit einer Stoppuhr von medizinischem Personal gemessen. Durch die automatische Analyse der benötigten Zeit kann der Arbeitsaufwand für das medizinische Personal gesenkt werden. Die vorgestellte Methode erkennt nicht nur die benötigte Zeit für den Test, sondern auch den Beginn und das Ende von sechs Phasen des TUG Tests. Diese werden erkannt, indem die Bewegung der Person basierend auf der Geschwindigkeit des Schwerpunkts bzw. des zentralen Schultergelenks im Skelettmodel analysiert wird. Der vorgestellte Ansatz zur Automatisierung des TUG Tests weist deutlich niedrigere Fehler bei der Messung der benötigten Zeit, verglichen mit der Stoppuhr, auf. Weiters zeigt ein Vergleich mit einer früheren Methode, dass der vorgestellte Ansatz auf dem aufgenommenen Datensatz exaktere Ergebnisse, für die benötigte TUG Zeit und die Erkennung der TUG Phasen, zurückliefert.
de
Human mobility is an important health indicator, especially for older adults potentially transitioning to frailty. Currently, the analysis of human mobility is based on expensive or intrusive technologies. Depth camera devices, such as the Microsoft Kinect, have been demonstrated to be a valid low-cost alternative for assessing a person’s mobility. In this work, mobility assessment is approached based on the analysis of human gait and the automated analysis of the Timed Up & Go (TUG) test. For both mobility assessment approaches, one method for depth and one method for skeleton data is proposed. In order to evaluate the proposed mobility analysis approaches, three human mobility datasets have been acquired and manually labeled. The first dataset features 234 walking sequences of healthy adults, who walk over predefined floor markers. The second dataset is a gait dataset of 11 older adults that contains 22 walking sequences and the third dataset consists of 11 TUG tests from elderly participants. The first human mobility approach analyzes human gait by extracting five spatiotemporal gait parameters from walking sequences. The extracted parameters are gait speed, stride length, step length, stride time and step time. First, the proposed gait analysis approach is validated on the healthy adults gait dataset. The dataset is manually labelled for heel strike and toe-off events to allow measuring the error of both spatial and temporal parameters. Moreover, extracted step lengths are evaluated under 3 different walking paths, 3 different step sizes and 2 different walking directions. Second, the gait analysis approach is applied on the elderly gait dataset to validate the approach under real-world conditions. An evaluation based on the number of steps demonstrates that current state-of-the-art gait analysis approaches fail to correctly identify steps of older adults. A modification is proposed in order to successfully detect steps of older adults and evaluated on the elderly gait dataset. Moreover, the frailty status of the elderly participants is assessed based on extracted gait information, TUG score and a validated questionnaire. The second human mobility approach presents a Kinect-based automated analysis of the TUG test. Currently, a medical assistant has to manually measure the time a patient takes to complete the test with a stopwatch in order to obtain a TUG score. By automatizing the assessment of the test, workload of medical staff is reduced. In addition to automatically determining the TUG score, the proposed TUG analysis approach detects the start and end of six TUG phases. TUG events are detected by analyzing the movement of the subject based on the velocity of the centroid or spine shoulder joint. The proposed TUG analysis approaches show significantly lower TUG time errors compared to the manually measured time using a stopwatch. Moreover, comparison with a state-of-the-art approach shows improved accuracies for both the detection of TUG score and TUG events.
