Εξαγωγή Χαρακτηριστικών Και Αναγνώριση Προτύπων Βάδισης Με Εφαρμογή Σε Αυτόνομο Ρομποτικό Σύστημα Υποβοήθησης

Abstract

Σκοπός της παρούσας διπλωματικής είναι η ανάπτυξη ενός συστήματος εξαγωγής χαρακτηριστικών βάδισης με χρήση ενός αισθητήρα απόστασης laser, τα οποία θα χρησιμοποιηθούν στην ταξινόμηση προτύπων υγιούς και παθολογικής βάδισης. Το σύστημα αυτό θα προσαρτηθεί σε μια ολοκληρωμένη ρομποτική πλατφόρμα υποβοήθησης για γηραιότερα άτομα και ασθενείς με μέτριο βαθμό δυσκολίας στη βάδιση, προκειμένου να βοηθήσει στην αυτόματη κίνηση της πλατφόρμας και την παρακολούθηση της κατάστασης του ασθενούς.Η υλοποίηση του συστήματος χωρίζεται σε τρία σκέλη:Το πρώτο αφορά την επεξεργασία των μετρήσεων του αισθητήρα laser. Αρχικά εντοπίζονται τα πόδια και παρακολουθούνται στον χρόνο, προκειμένου να εξαχθούν οι χρονικές τροχιές κίνησης στους δύο άξονες. Η παρακολούθηση των ποδιών γίνεται με μια απλή μέθοδο, η οποία δεν χρησιμοποιεί μοντέλο πρόβλεψης, αλλά στηρίζεται σε ομαδοποίηση των σημείων του χώρου κατευθυνόμενη από δυναμικά πεδία. Η εκτίμηση της κίνησης γίνεται με εύρεση των αντιστοιχιών μεταξύ των σημείων των ποδιών στα δύο καρέ. Οι τροχιές που εξάγονται (πολλές για κάθε πόδι) φιλτράρονται και ομαδοποιούνται με εκτενή χρήση του Savitzky-Golay φίλτρου. Η μέθοδος αυτή ανταπεξέρχεται στις δυσκολίες του προβλήματός μας, όπως η ένωση των ποδιών και η παραμόρφωση του αντικειμένου λόγω ρουχισμού κλπ.Στο δεύτερο στάδιο, εξάγονται χαρακτηριστικά της βάδισης του ασθενούς με βάση τις τροχιές σχετικής θέσης και ταχύτητας. Τα χαρακτηριστικά αυτά βασίζονται στις ιατρικές παραμέτρους βάδισης αλλά δεν περιορίζονται σε αυτές. Γίνεται προσπάθεια να αντιμετωπιστούν τα προβλήματα ελλιπούς αισθητηριακής πληροφορίας και φορητότητας του αισθητήρα, προσεγγίζοντας έτσι τις τιμές ορισμένων παραμέτρων. Ακόμα όμως και αυτά τα χαρακτηριστικά έχουν φυσική σημασία και χρησιμοποιούνται κατά την ταξινόμηση. Η επαλήθευση γίνεται μέσω δεδομένων που προκύπτουν από ένα σύστημα ανάλυσης βάδισης μεγάλης ακρίβειας.Το τρίτο στάδιο αφορά την ανάλυση των δεδομένων, κατά την οποία δημιουργούνται μοντέλα GMM για την ταξινόμηση των ασθενών σε υγιή και ασθενή πρότυπα βάδισης. Η δυσκολία στην ταξινόμηση έγκειται στο γεγονός ότι ορισμένα χαρακτηριστικά αποκλίνουν από τις πραγματικές τιμές τους και ότι ο βηματισμός των ασθενών βελτιώνεται από την υποβοήθηση. Παρ' όλα αυτά, επιτυγχάνονται πολύ υψηλά ποσοστά επιτυχίας. Η ταξινόμηση γίνεται με τη μέθοδο Naive Bayes, όπου κάθε φορά δεν επαληθεύεται ένα δείγμα-κύκλος βάδισης, αλλά ένα παράθυρο. Κατά το στάδιο αυτό αποφασίζονται μέσω cross-validation το μέγεθος του παραθύρου βημάτων προς επαλήθευση, η μέθοδος υπολογισμού της πιθανοφάνειας και ο βέλτιστος συνδυασμός χαρακτηριστικών. Τέλος, γίνεται αξιολόγηση της συμβολής των χαρακτηριστικών στην ανάλυση. Τα πειραματικά δεδομένα που χρησιμοποιούνται αφορούν δοκιμές από υγιείς νέους και γηραιότερα άτομα με διαφορετικές παθήσεις.