A real-world indoor dynamic skeleton dataset of elderly abnormal gait including crutch-assisted walking
यह शोधपत्र ElderlyPipe को प्रस्तुत करता है, जो 63,855 गुणवत्ता-सुनिश्चित स्केलेटन फ्रेम वाला एक सार्वजनिक रूप से जारी वास्तविक दुनिया का इनडोर डेटासेट है जो बैसाखी-सहायता युक्त चलने सहित बुजुर्गों के व्यवहारों को कैप्चर करता है, जो यह प्रदर्शित करता है कि स्पैटियोटेम्पोरल ग्राफ मॉडल चाल के असंतुलन (गैत इम्बैलेंस) के विश्लेषण में सिंगल-फ्रेम दृष्टिकोणों की तुलना में बेहतर प्रदर्शन करते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
बुजुर्गों के लिए गिरना चोट और मृत्यु का एक प्रमुख कारण है, जो अक्सर संतुलन में होने वाले उन सूक्ष्म बदलावों के कारण होता है जो बहुत देर होने तक नज़र नहीं आते। इन त्रासदियों को रोकने के लिए, देखभाल करने वालों और चिकित्सा पेशेवरों को यह निगरानी करने के तरीके की आवश्यकता है कि लोग कैसे चलते हैं, ताकि गिरने से पहले अस्थिरता के शुरुआती संकेतों को पहचाना जा सके। दशकों से, शोधकर्ताओं ने ऐसे कंप्यूटर सिस्टम बनाने की कोशिश की है जो किसी व्यक्ति को देख सकें और उनकी गति को समझ सकें, लेकिन ये सिस्टम एक बड़ी समस्या से जूझते रहे हैं: उनके पास अच्छा डेटा नहीं है। मानव गति के अधिकांश मौजूदा रिकॉर्ड या तो उज्ज्वल, नियंत्रित स्टूडियो में युवा, स्वस्थ लोगों के होते हैं, या वे शरीर पर पहने जाने वाले सेंसरों पर निर्भर होते हैं जिन्हें लोग अक्सर पहनना भूल जाते हैं। जो चीज़ गायब थी, वह थी इस बात का स्पष्ट और विस्तृत रिकॉर्ड कि बुजुर्ग वास्तव में वास्तविक, अप्रत्याशित स्थितियों जैसे कि नर्सिंग होम या लिविंग रूम में कैसे चलते हैं, विशेष रूप से तब जब वे चलने के लिए संघर्ष कर रहे हों या सहारे के लिए छड़ी (cane) का उपयोग कर रहे हों। इस विशिष्ट प्रकार की जानकारी के बिना, कंप्यूटर यह समझने में सक्षम नहीं हो सकते कि एक सामान्य कदम और एक खतरनाक लड़खड़ाहट के बीच क्या अंतर है।
जेजियांग साइंस एंड टेक यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने एक नया डेटा संग्रह 'एल्डरलीपाइप' (ElderlyPipe) बनाकर इस कमी को पूरा किया है। चेहरों या शरीरों के वीडियो रिकॉर्ड करने के बजाय, जो गोपनीयता संबंधी चिंताएं पैदा करते हैं, शोधकर्ताओं ने गति को कैप्चर किया और उसे डिजिटल कंकालों (digital skeletons) में बदल दिया। ये कंकाल केवल चित्र नहीं हैं, बल्कि गणितीय बिंदुओं की एक श्रृंखला हैं जो समय के साथ किसी व्यक्ति के जोड़ों, जैसे कि कंधे, कोहनी और घुटने के स्थान को चिह्नित करते हैं। टीम ने वास्तविक बुजुर्ग निवासियों को उनके दैनिक वातावरण, जिसमें गलियारे, लॉबी और डाइनिंग एरिया शामिल थे, में रिकॉर्ड करने पर ध्यान केंद्रित किया, जिसमें चार अलग-अलग व्यवहारों को कैप्चर किया गया: खड़ा होना, चलना, बैठना और क्रच (crutch) के साथ चलने का महत्वपूर्ण, असंतुलित कार्य। 287 निरंतर वीडियो सेगमेंट से 63,855 उच्च-गुणवत्ता वाले मूवमेंट फ्रेम एकत्र करके, शोधकर्ताओं ने एक ऐसा संसाधन प्रदान किया है जो कंप्यूटर को उन विशिष्ट, डगमगाते कदमों के पैटर्न का अध्ययन करने की अनुमति देता है जो बुजुर्गों के लिए खतरे का संकेत देते हैं।
कच्चे वीडियो को इन उपयोगी डिजिटल कंकालों में बदलने की प्रक्रिया के लिए वास्तविक दुनिया की चुनौतियों से निपटने के लिए एक सावधानीपूर्वक, बहु-चरणीय दृष्टिकोण की आवश्यकता थी। एक नर्सिंग होम में, रोशनी अचानक बदल सकती है, और लोग अक्सर एक-दूसरे के दृश्य को बाधित करते हैं, जिससे मानक कंप्यूटर विज़न टूल्स किसी व्यक्ति के अंगों का पीछा करने में विफल हो जाते हैं। इसे हल करने के लिए, शोधकर्ताओं ने एक ऐसी प्रणाली विकसित की जो पहले एक मानक डिटेक्शन टूल का उपयोग करके जोड़ों की पहचान करती है, और फिर जब कोई अंग छिप जाता है तो लुप्त हिस्सों को भर देती है। यदि कोई जोड़ थोड़े समय के लिए गायब हो जाता है, तो सिस्टम यह अनुमान लगाने के लिए एक सीधी रेखा खींचता है कि वह कहाँ था और कहाँ फिर से दिखाई देता है। यदि कोई अंग लंबे समय तक छिपा रहता है, तो सिस्टम व्यक्ति के हाथ या पैर की ज्ञात लंबाई का उपयोग करके यह अनुमान लगाता है कि दृश्यमान जोड़ों की स्थिति के आधार पर गायब जोड़ा कहाँ होना चाहिए। एक बार कंकाल पूरा हो जाने के बाद, सिस्टम उन झटकेदार, अस्थिर गतिविधियों को सुचारू बनाता है जो कंप्यूटर अक्सर उत्पन्न करते हैं, जिससे व्यक्ति की गति का एक तरल और निरंतर रिकॉर्ड बनता है।
इस डेटासेट को जो चीज़ विशेष रूप से मूल्यवान बनाती है, वह यह है कि यह केवल एक व्यक्ति को स्थिर खड़ा नहीं दिखाता है; यह समय के साथ गति के प्रवाह को कैप्चर करता है। शोधकर्ताओं ने डेटा को चौबीस फ्रेम की छोटी खिड़कियों (windows) में व्यवस्थित किया, जिससे उन्हें यह अध्ययन करने में मदद मिली कि एक व्यक्ति का शरीर एक क्षण से दूसरे क्षण में कैसे चलता है। उन्होंने पाया कि एकल स्नैपशॉट देखने की तुलना में गतिविधियों के अनुक्रम को एक साथ देखना कहीं अधिक प्रभावी है। जब उन्होंने इस डेटा पर कंप्यूटर मॉडल का परीक्षण किया, तो उस सिस्टम ने—जिसने पिछले और वर्तमान आंदोलनों के बीच के संबंध को समझा—क्रच का उपयोग करने वाले व्यक्ति की कठिन, असंतुलित चाल (gait) की पहचान करने में बहुत बेहतर प्रदर्शन किया। इस सिस्टम ने इन उच्च-जोखिम वाली गतिविधियों को उन मॉडलों की तुलना में अधिक बार सही ढंग से पहचाना जो केवल एक समय में एक फ्रेम को देखते हैं, जिससे यह सिद्ध हुआ कि गिरने की कहानी कदमों की लय में बताई जाती है, न कि केवल एक अकेले पैर की स्थिति में।
यह डेटा सुरक्षित और निजी डिज़ाइन किया गया है, जिसमें चेहरों या नामों की कोई छवि नहीं है, केवल जोड़ों के संख्यात्मक निर्देशांक (coordinates) हैं। यह शोध समुदाय को बुजुर्गों की गरिमा से समझौता किए बिना नए सुरक्षा उपकरण बनाने और परीक्षण करने की अनुमति देता है। इसके रिलीज़ में न केवल डेटा, बल्कि इसे साफ करने और व्यवस्थित करने के लिए उपयोग किए गए कोड और विधियाँ भी शामिल हैं, जिससे यह सुनिश्चित होता है कि अन्य वैज्ञानिक भी परिणामों को दोहरा सकें। क्रच-सहायता प्राप्त चलने की विशिष्ट, अक्सर अनदेखी की जाने वाली चुनौती पर ध्यान केंद्रित करके, यह कार्य ऐसी तकनीक विकसित करने के लिए एक नया आधार प्रदान करता है जो एक दिन हमारे बुजुर्गों की देखभाल कर सके, असंतुलन के संकेतों को पहचान सके और गिरने से बहुत पहले उन्हें सुरक्षित रखने में मदद कर सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।