A real-world indoor dynamic skeleton dataset of elderly abnormal gait including crutch-assisted walking
L'article présente ElderlyPipe, un ensemble de données en intérieur issu du monde réel et rendu public, composé de 63 855 images de squelettes de haute qualité capturant les comportements de personnes âgées, incluant la marche avec l'aide d'une canne, ce qui démontre que les modèles de graphes spatiotemporels surpassent les approches à image unique pour l'analyse du déséquilibre de la démarche.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les chutes sont une cause majeure de blessures et de décès chez les personnes âgées, résultant souvent de subtils changements d'équilibre qui passent inaperçus jusqu'à ce qu'il soit trop tard. Pour prévenir ces tragédies, les soignants et les professionnels de santé ont besoin d'un moyen de surveiller la façon dont les gens marchent, en recherchant les signes précurseurs d'instabilité avant qu'une chute ne se produise. Depuis des décennies, des chercheurs tentent de construire des systèmes informatiques capables d'observer une personne et de comprendre son mouvement, mais ces systèmes se sont heurtés à un problème majeur : ils manquent de données de qualité. La plupart des enregistrements existants du mouvement humain proviennent de personnes jeunes et en bonne santé dans des studios lumineux et contrôlés, ou reposent sur des capteurs portés sur le corps que les gens oublient souvent de mettre. Ce qui manquait, c'était un enregistrement clair et détaillé de la façon dont les personnes âgées se déplacent réellement dans la réalité désordonnée et imprévisible d'une maison de retraite ou d'un salon, surtout lorsqu'elles ont du mal à marcher ou qu'elles utilisent une canne pour s'appuyer. Sans ce type d'information spécifique, les ordinateurs ne peuvent pas apprendre à faire la différence entre un pas normal et un trébuchement dangereux.
Une équipe de chercheurs de l'Université de technologie de Zhejiang a désormais comblé cette lacune en créant une nouvelle collection de données appelée ElderlyPipe. Au lieu d'enregistrer des vidéos des visages ou des corps des personnes, ce qui soulève des préoccupations en matière de confidentialité, les chercheurs ont capturé le mouvement et l'ont converti en squelettes numériques. Ces squelettes ne sont pas des dessins, mais plutôt une série de points mathématiques qui marquent l'emplacement des articulations d'une personne, telles que les épaules, les coudes et les genoux, à mesure qu'elle se déplace dans le temps. L'équipe s'est concentrée sur l'enregistrement de véritables résidents âgés dans leurs environnements quotidiens, incluant des couloirs, des halls et des zones de restauration, capturant quatre comportements distincts : la station debout, la marche, la position assise et l'acte critique et déséquilibré de la marche avec une béquille. En rassemblant 63 855 de ces images de mouvement de haute qualité à partir de 287 segments vidéo continus, les chercheurs ont fourni une ressource permettant aux ordinateurs d'étudier les schémas spécifiques et tremblants de la démarche qui signalent un danger chez les personnes âgées.
Le processus de transformation de la vidéo brute en ces squelettes numériques utiles a nécessité une approche méticuleuse en plusieurs étapes pour gérer les défis d'un environnement réel. Dans une maison de retraite, l'éclairage peut changer soudainement, et les gens bloquent souvent la vue de la caméra sur les autres, ce qui amène les outils standards de vision par ordinateur à perdre la trace des membres d'une personne. Pour résoudre cela, les chercheurs ont développé un système qui identifie d'abord les articulations à l'aide d'un outil de détection standard, puis complète les parties manquantes lorsqu'un membre est caché. Si une articulation disparaît pendant un court instant, le système devine son emplacement en traçant une ligne droite entre l'endroit où elle a été vue auparavant et l'endroit où elle réapparaît. Si un membre est caché plus longtemps, le système utilise la longueur connue du bras ou de la jambe de la personne pour estimer l'emplacement de l'articulation manquante, en se basant sur la position des articulations qui sont encore visibles. Une fois le squelette complété, le système lisse les mouvements saccadés et tremblants que les ordinateurs introduisent souvent, créant un enregistrement fluide et continu du mouvement de la personne.
Ce qui rend cet ensemble de données particulièrement précieux, c'est qu'il ne montre pas seulement une personne immobile ; il capture le flux du mouvement au fil du temps. Les chercheurs ont organisé les données en petites fenêtres de vingt-quatre images, leur permettant d'étudier comment le corps d'une personne se déplace d'un instant à l'autre. Ils ont constaté qu'observer les séquences de mouvements ensemble est bien plus efficace que d'examiner des instantanés isolés. Lorsqu'ils ont testé des modèles informatiques sur ces données, le système qui comprenait la connexion entre les mouvements passés et présents était bien plus performant pour identifier la démarche difficile et déséquilibrée de quelqu'un utilisant une béquille. Ce système identifiait correctement ces mouvements à haut risque plus souvent que les modèles qui ne regardaient qu'une seule image à la fois, prouvant que l'histoire d'une chute se raconte dans le rythme des pas, et non seulement dans la position d'un seul pied.
Les données sont conçues pour être sûres et privées, ne contenant aucune image de visage ou de nom, seulement les coordonnées numériques des articulations. Cela permet à la communauté de recherche de construire et de tester de nouveaux outils de sécurité sans compromettre la dignité des résidents âgés ayant contribué à l'étude. La publication inclut non seulement les données, mais aussi le code et les méthodes utilisés pour les nettoyer et les organiser, garantissant que d'autres scientifiques puissent reproduire les résultats. En se concentrant sur le défi spécifique et souvent négligé de la marche assistée par béquille dans des environnements intérieurs réels, ce travail fournit une nouvelle base pour le développement de technologies capables, un jour, de veiller sur nos aînés, en repérant les signes de déséquilibre et en aidant à les garder en sécurité bien avant qu'une chute ne survienne.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.