Auto-Gait：基于计算机视觉的步态任务视频共济失调风险自动评估
计算机视觉与模式识别
2022-04-18 v2 机器学习
摘要
在本文中，我们研究了是否能够利用计算机视觉来 1) 检测具有共济失调特异性步态特征的受试者（风险预测），以及 2) 从步态评估共济失调的严重程度（严重度评估）。我们构建了一个包含 89 名受试者（24 名对照和 65 名确诊或前驱期脊髓小脑性共济失调（SCAs））的 155 段视频的数据集，这些受试者在美国 8 个不同州的 11 个医疗点完成了共济失调评估与分级量表（SARA）中的步态任务。我们开发了一套计算机视觉流程，用于从环境中检测、跟踪并分离出受试者，并从其身体姿态坐标构建多个特征以捕捉步宽、步长、摆动、稳定性、速度等步态特征。我们的风险预测模型达到了 83.06% 的准确率和 80.23% 的 F1 分数。类似地，我们的严重度评估模型达到了 0.6225 的平均绝对误差（MAE）和 0.7268 的皮尔逊相关系数。当在我们的模型在训练时未使用过的站点数据上评估时，仍具竞争力。此外，通过特征重要性分析，我们发现模型将更宽的步幅、降低的行走速度和增强的不稳定性与更严重的共济失调相关联，这与先前确立的临床知识一致。我们的模型为未来非临床环境下的远程共济失调评估创造了可能，可显著提升共济失调照护的可及性。此外，我们的底层数据集来自地理多样化的队列，凸显了其进一步提升公平性的潜力。本研究使用的代码已公开，匿名化的身体姿态关键点数据集也可依请求提供。
引用
@article{arxiv.2203.08215,
title = {Auto-Gait: Automatic Ataxia Risk Assessment with Computer Vision on Gait Task Videos},
author = {Wasifur Rahman and Masum Hasan and Md Saiful Islam and Titilayo Olubajo and Jeet Thaker and Abdelrahman Abdelkader and Phillip Yang and Tetsuo Ashizawa and Ehsan Hoque},
journal= {arXiv preprint arXiv:2203.08215},
year = {2022}
}