A real-world indoor dynamic skeleton dataset of elderly abnormal gait including crutch-assisted walking
Das Paper stellt ElderlyPipe vor, einen öffentlich zugänglichen, realen Indoor-Datensatz aus 63.855 qualitätsgesicherten Skelett-Frames, die das Verhalten älterer Menschen, einschließlich des Gehens mit Krücken, erfassen, was zeigt, dass spatiotemporale Graphmodelle Ein-Frame-Ansätze bei der Analyse von Ganginstabilität übertreffen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stürze sind eine der führenden Ursachen für Verletzungen und Todesfälle bei älteren Erwachsenen, die oft aus subtilen Gleichgewichtsschwankungen resultieren, die unbemerkt bleiben, bis es zu spät ist. Um diese Tragödien zu verhindern, müssen Pflegekräfte und medizinisches Fachpersonal eine Möglichkeit haben, das Gangbild von Menschen zu überwachen und nach frühen Anzeichen von Instabilität zu suchen, bevor ein Sturz erfolgt. Seit Jahrzehnten versuchen Forscher, Computersysteme zu entwickeln, die einen Menschen beobachten und seine Bewegungen verstehen können, aber diese Systeme hatten mit einem großen Problem zu kämpfen: Ihnen fehlten gute Daten. Die meisten bestehenden Aufzeichnungen menschlicher Bewegungen stammen von jungen, gesunden Menschen in hellen, kontrollierten Studios, oder sie verlassen sich auf Sensoren, die am Körper getragen werden und die Menschen oft vergessen anzulegen. Was gefehlt hat, war eine klare, detaillierte Aufzeichnung darüber, wie sich ältere Menschen tatsächlich bewegen in der chaotischen, unvorhersehbaren Realität eines Pflegeheims oder eines Wohnzimmers, insbesondere wenn sie Schwierigkeiten beim Gehen haben oder eine Krücke zur Unterstützung benutzen. Oh\ne diese spezifische Art von Information konnten Computer nicht lernen, zwischen einem normalen Schritt und einem gefährlichen Stolpern zu unterscheiden.
Ein Team von Forschern der Zhejiang Sci-Tech University hat diese Lücke nun geschlossen, indem es eine neue Datensammlung namens ElderlyPipe erstellt hat. Anstatt Videos von Gesichtern oder Körpern von Menschen aufzunehmen, was Bedenken hinsichtlich der Privatsphäre aufwirft, erfassten die Forscher die Bewegung und wandelten sie in digitale Skelette um. Diese Skelette sind keine Zeichnungen, sondern eine Reihe mathematischer Punkte, die die Position der Gelenke einer Person markieren, wie etwa Schultern, Ellbogen und Knie, während sie sich durch die Zeit bewegen. Das Team konzentrierte sich darauf, echte ältere Bewohner in ihren alltäglichen Umgebungen aufzuzeichnen, einschließlich Fluren, Lobbys und Essbereichen, wobei vier verschiedene Verhaltensweisen erfasst wurden: Stehen, Gehen, Sitzen und der kritische, unausgewogene Akt des Gehens mit einer Krücke. Durch das Sammeln von 63.855 dieser hochwertigen Bewegungsframes aus 287 kontinuierlichen Videosegmenten haben die Forscher eine Ressource bereitgestellt, die es Computern ermöglicht, die spezifischen, zittrigen Bewegungsmuster zu untersuchen, die Gefahr signalisieren bei älteren Erwachsenen.
Der Prozess, Rohvideo in diese nützlichen digitalen Skelette umzuwandeln, erforderte einen sorgfältigen, mehrstufigen Ansatz, um die Herausforderungen eines realen Umfelds zu bewältigen. In einem Pflegeheim kann sich die Beleuchtung plötzlich ändern, und Menschen verdecken oft die Sicht der Kamera auf einander, was dazu führt, dass Standard-Computer-Vision-Tools die Spur eines Menschen oder seiner Gliedmaßen verlieren. Um dies zu lösen, entwickelten die Forscher ein System, das zuerst die Gelenke mit einem Standard-Detektionswerkzeug identifiziert und dann die fehlenden Teile ergänzt, wenn ein Körperteil verdeckt ist. Wenn ein Gelenk für eine kurze Zeit verschwindet, schätzt das System dessen Position, indem es eine gerade Linie zwischen dem Ort zieht, an dem es zuvor gesehen wurde, und dem Ort, an dem es wieder auftaucht. Wenn ein Körperteil länger verborgen ist, nutzt das System die bekannte Länge des Arms oder Beins der Person, um die Position des fehlenden Gelenks basierend auf der Position der noch sichtbaren Gelenke zu schätzen. Sobald das Skelett vervollständigt ist, glättet das System die zittrigen, ruckartigen Bewegungen, die Computer oft einführen, und schafft so eine flüssige und kontinuierliche Aufzeichnung der Bewegung der Person.
Was diesen Datensatz besonders wertvoll macht, ist, dass er nicht nur zeigt, wie eine Person stillsteht; er erfasst den Fluss der Bewegung über die Zeit. Die Forscher organisierten die Daten in kleinen Fenstern von vierundzwanzig Frames, was es ihnen ermöglichte, zu untersuchen, wie sich der Körper eines Menschen von einem Moment zum nächsten bewegt. Sie fanden heraus, dass die Betrachtung von Bewegungssequenzen im Ganzen weita viel effektiver ist als das Betrachten einzelner Schnappschüsse. Als sie Computermodelle an diesen Daten testeten, war das System, das die Verbindung zwischen vergangenen und gegenwärtigen Bewegungen verstand, wesentlich besser darin, den schwierigen, unausgewogenen Gang von jemandem mit einer Krücke zu identifizieren. Dieses System identifizierte diese Hochrisiko-Bewegungen häufiger als Modelle, die nur einen Frame zur Zeit betrachteten, was bewies, dass die Geschichte eines Sturzes im Rhythmus der Schritte erzählt wird und nicht nur in der Position eines einzelnen Fußes.
Die Daten sind so konzipiert, dass sie sicher und privat sind; sie enthalten keine Bilder von Gesichtern oder Namen, sondern nur die numerischen Koordinaten der Gelenke. Dies ermöglicht es der Forschungsgemeinschaft, neue Sicherheitstools zu entwickeln und zu testen, ohne die Würde der älteren Bewohner, die zu der Studie beigetragen haben, zu verletzen. Die Veröffentlichung umfasst nicht nur die Daten, sondern auch den Code und die Methoden, die zum Reinigen und Organisieren verwendet wurden, um sicherzustellen, dass andere Wissenschaftler die Ergebnisse reproduzieren können. Durch die Konzentration auf die spezifische, oft übersehene Herausforderung des krückengestützten Gehens in realen Innenräumen bietet diese Arbeit eine neue Grundlage für die Entwicklung von Technologien, die unseren Älteren eines Tages Aufsicht bieten können, indem sie die Anzeichen von Instabilität erkennen und helfen, sie sicher zu halten, lange bevor es zu einem Sturz kommt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.